Прогнозирование цен на жильё
Одно из главных преимуществ статистических моделей, таких как линейная регрессия, — возможность делать прогнозы. Вы задаёте значения объясняющих переменных, передаёте их модели и получаете прогноз для соответствующей целевой переменной. Общая схема кода выглядит так:
explanatory_data = pd.DataFrame({"explanatory_var": list_of_values})
predictions = model.predict(explanatory_data)
prediction_data = explanatory_data.assign(response_var=predictions)
В этом упражнении вы будете прогнозировать цены на жильё, используя набор данных о недвижимости Тайваня.
Набор данных taiwan_real_estate доступен. Обученная модель линейной регрессии цены дома относительно количества магазинов шаговой доступности доступна как mdl_price_vs_conv. В последующих упражнениях модели также будут предоставлены уже в обученном виде.
Это упражнение является частью курса
Введение в регрессию с statsmodels на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Import numpy with alias np
____
# Create the explanatory_data
explanatory_data = pd.____({'____': np.____(____)})
# Print it
____