Przewidywanie cen nieruchomości
Jedną z najbardziej przydatnych właściwości modeli statystycznych, takich jak regresja liniowa, jest możliwość tworzenia prognoz. Podajesz wartości zmiennych objaśniających, przekazujesz je do modelu i otrzymujesz prognozę dla odpowiedniej zmiennej zależnej. Schemat kodu wygląda następująco.
explanatory_data = pd.DataFrame({"explanatory_var": list_of_values})
predictions = model.predict(explanatory_data)
prediction_data = explanatory_data.assign(response_var=predictions)
W tym ćwiczeniu stworzysz prognozy cen nieruchomości na podstawie tajwańskiego zbioru danych o rynku nieruchomości.
Dostępny jest zbiór taiwan_real_estate. Dopasowany model regresji liniowej ceny nieruchomości względem liczby sklepów convenience jest dostępny jako mdl_price_vs_conv. W kolejnych ćwiczeniach każdy dostępny model będzie już dopasowany.
To ćwiczenie jest częścią kursu
Wprowadzenie do regresji z użyciem statsmodels w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import numpy with alias np
____
# Create the explanatory_data
explanatory_data = pd.____({'____': np.____(____)})
# Print it
____