Previsão de preços de imóveis
Talvez o recurso mais útil dos modelos estatísticos, como a regressão linear, seja o fato de você poder fazer previsões. Ou seja, você especifica valores para cada uma das variáveis explicativas, alimenta-as no modelo e obtém uma previsão para a variável de resposta correspondente. O fluxo de código é o seguinte.
explanatory_data = pd.DataFrame({"explanatory_var": list_of_values})
predictions = model.predict(explanatory_data)
prediction_data = explanatory_data.assign(response_var=predictions)
Aqui, você fará previsões para os preços das casas no conjunto de dados de imóveis de Taiwan.
taiwan_real_estate está disponível. O modelo de regressão linear ajustado do preço dos imóveis em relação ao número de lojas de conveniência está disponível em mdl_price_vs_conv. Para exercícios futuros, quando um modelo estiver disponível, ele também será ajustado.
Este exercício faz parte do curso
Introdução à regressão com statsmodels em Python
Exercício interativo prático
Experimente este exercício preenchendo este código de exemplo.
# Import numpy with alias np
____
# Create the explanatory_data
explanatory_data = pd.____({'____': np.____(____)})
# Print it
____