Подгонка модели линейной регрессии с параллельными наклонами
В курсе Introduction to Regression with statsmodels in Python вы научились строить модели линейной регрессии с одной объясняющей переменной. Однако в большинстве случаев одна переменная недостаточна для точных предсказаний. Чтобы по-настоящему освоить линейную регрессию, нужно уметь работать с несколькими объясняющими переменными.
Когда модель включает одну числовую и одну категориальную объясняющую переменную, её иногда называют регрессией с параллельными наклонами — из-за характерной формы предсказаний. Подробнее об этом — в следующем упражнении.
Здесь вы снова поработаете с набором данных о недвижимости Тайваня. Вспомним значение каждой переменной.
| Переменная | Описание |
|---|---|
dist_to_mrt_station_m |
Расстояние до ближайшей станции метро MRT, в метрах. |
n_convenience |
Количество магазинов шаговой доступности в пешей досягаемости. |
house_age_years |
Возраст дома в годах, разбитый на 3 группы. |
price_twd_msq |
Цена дома за единицу площади, в новых тайваньских долларах за квадратный метр. |
Набор данных taiwan_real_estate уже доступен.
Это упражнение является частью курса
Промежуточная регрессия со statsmodels в Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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(____)