1. Uczyć się
    2. /
  2. Courses
    3. /
  3. Regresja średnio zaawansowana ze statsmodels w Pythonie
Connected

Exercise

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.

Instrukcje 1/3

undefined XP
  • 1
    • Zaimportuj ols() z statsmodels.formula.api.
    • Korzystając ze zbioru danych taiwan_real_estate, zbuduj i dopasuj model ceny nieruchomości (w dolarach tajwańskich za metr kwadratowy) w zależności od liczby pobliskich sklepów wielobranżowych.
    • Wyświetl współczynniki modelu.
  • 2
    • Zbuduj model ceny nieruchomości (w dolarach tajwańskich za metr kwadratowy) w zależności od wieku budynku (w latach). Nie uwzględniaj wyrazu wolnego.
    • Wyświetl współczynniki modelu.
  • 3
    • Zbuduj model ceny nieruchomości w zależności od liczby pobliskich sklepów wielobranżowych oraz wieku budynku. Nie uwzględniaj wyrazu wolnego.
    • Wyświetl współczynniki modelu.