Anpassa en linjär regression med parallella lutningar
I Introduction to Regression with statsmodels in Python lärde du dig att anpassa linjära regressionsmodeller med en enda förklaringsvariabel. I många fall begränsar en enda förklaringsvariabel noggrannheten i förutsägelserna. För att verkligen behärska linjär regression behöver du kunna anpassa regressionsmodeller med flera förklaringsvariabler.
Det fall där det finns en numerisk förklaringsvariabel och en kategorisk förklaringsvariabel kallas ibland för en linjär regression med "parallella lutningar" – detta på grund av formen på förutsägelserna. Mer om det i nästa övning.
Här återvänder du till datasetet med taiwanesiska fastigheter. Här är en påminnelse om vad varje variabel betyder.
| Variabel | Betydelse |
|---|---|
dist_to_mrt_station_m |
Avstånd till närmaste MRT-metrostation, i meter. |
n_convenience |
Antal närbutiker inom gångavstånd. |
house_age_years |
Husets ålder i år, indelad i 3 grupper. |
price_twd_msq |
Huspris per areaenhet, i nya taiwanesiska dollar per kvadratmeter. |
taiwan_real_estate är tillgänglig.
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.
# 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(____)