Jämföra förklaringsgrader
Kom ihåg att förklaringsgraden mäter hur väl regressionslinjen passar de observerade värdena. Ett viktigt skäl till att inkludera flera förklaringsvariabler i en linjär regression är att du kan förbättra anpassningen jämfört med att bara använda en enda förklaringsvariabel.
Här ska du jämföra förklaringsgraden för de tre modellerna för Taiwans huspriser och se vilken som ger bäst resultat.
mdl_price_vs_conv, mdl_price_vs_age och mdl_price_vs_both finns tillgängliga som anpassade modeller.
Den här övningen är en del av kursen
Intermediär regression med statsmodels i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Print the coeffs of determination for mdl_price_vs_conv
print("rsquared_conv: ", ____)
print("rsquared_adj_conv: ", ____)
# Print the coeffs of determination for mdl_price_vs_age
print("rsquared_age: ", ____)
print("rsquared_adj_age: ", ____)
# Print the coeffs of determination for mdl_price_vs_both
print("rsquared_both: ", ____)
print("rsquared_adj_both: ", ____)