Prognozowanie za pomocą modelu równoległych prostych
Chociaż seaborn potrafi automatycznie wyświetlać prognozy modelu przy użyciu sns.regplot(), aby móc korzystać z tych wartości w kodzie, musisz wykonać obliczenia samodzielnie.
Podobnie jak w przypadku jednej zmiennej objaśniającej, przepływ pracy składa się z dwóch kroków: utwórz DataFrame ze zmiennymi objaśniającymi, a następnie dodaj kolumnę z prognozami.
taiwan_real_estate jest dostępny, a mdl_price_vs_both jest dostępny jako dopasowany model. Biblioteki seaborn, ols(), matplotlib.pyplot, pandas i numpy są załadowane pod domyślnymi aliasami. Tak będzie przez cały pozostały czas trwania kursu. Ponadto dostępna jest także funkcja itertools.product.
To ćwiczenie jest częścią kursu
Regresja średnio zaawansowana ze statsmodels w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create n_convenience as an array of numbers from 0 to 10
n_convenience = ____
# Extract the unique values of house_age_years
house_age_years = ____
# Create p as all combinations of values of n_convenience and house_age_years
p = ____(____, ____)
# Transform p to a DataFrame and name the columns
explanatory_data = ____
print(explanatory_data)