Прогнозирование с помощью модели параллельных наклонов
Хотя seaborn может автоматически отображать прогнозы модели с помощью sns.regplot(), чтобы использовать эти значения в коде, вам нужно будет выполнить вычисления самостоятельно.
Как и в случае с одной объясняющей переменной, рабочий процесс состоит из двух шагов: создайте DataFrame с объясняющими переменными, а затем добавьте столбец с прогнозами.
Набор данных taiwan_real_estate доступен, а mdl_price_vs_both — подобранная модель. Библиотеки seaborn, ols(), matplotlib.pyplot, pandas и numpy загружены под стандартными псевдонимами. Это справедливо и для всех последующих упражнений курса. Кроме того, доступна функция itertools.product.
Это упражнение является частью курса
Промежуточная регрессия со statsmodels в Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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)