Dopasowywanie regresji liniowej z równoległymi prostymi
W kursie Wprowadzenie do regresji z statsmodels w Pythonie poznałeś/poznałaś modele regresji liniowej z jedną zmienną objaśniającą. W wielu przypadkach ograniczenie się do jednej zmiennej objaśniającej zmniejsza dokładność prognoz. Aby naprawdę opanować regresję liniową, trzeba umieć budować modele z wieloma zmiennymi objaśniającymi.
Sytuacja, w której mamy jedną numeryczną zmienną objaśniającą i jedną kategoryczną, bywa nazywana regresją liniową z "równoległymi prostymi" — ze względu na kształt prognoz. Więcej na ten temat znajdziesz w następnym ćwiczeniu.
Tutaj wrócimy do tajwańskiego zbioru danych o nieruchomościach. Przypomnij sobie znaczenie każdej zmiennej.
| Zmienna | Znaczenie |
|---|---|
dist_to_mrt_station_m |
Odległość do najbliższej stacji metra MRT, w metrach. |
n_convenience |
Liczba sklepów wielobranżowych w zasięgu pieszym. |
house_age_years |
Wiek budynku w latach – podzielony na 3 grupy. |
price_twd_msq |
Cena nieruchomości za jednostkę powierzchni, w nowych dolarach tajwańskich za m². |
Zbiór danych taiwan_real_estate jest dostępny.
To ćwiczenie jest częścią kursu
Regresja średnio zaawansowana ze statsmodels w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import ols from statsmodels.formula.api
____
# Fit a linear regression of price_twd_msq vs. n_convenience
mdl_price_vs_conv = ____
# Print the coefficients
print(____)