Visualisera parallella lutningar
De två diagrammen i föregående övning gav mycket olika förutsägelser: ett gav ett förutsagt utfall som ökade linjärt med en numerisk variabel, medan det andra gav ett fast utfall för varje kategori. Det enda vettiga sättet att förena dessa två motstridiga förutsägelser är att inkludera båda förklaringsvariablerna i modellen samtidigt.
När det gäller en linjär regressionsmodell med en numerisk och en kategorisk förklaringsvariabel saknar seaborn ett enkelt, inbyggt sätt att visa förutsägelserna.
taiwan_real_estate är tillgänglig och mdl_price_vs_both finns tillgänglig som en anpassad modell. seaborn är importerat som sns och matplotlib.pyplot är importerat som plt.
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.
# Extract the model coefficients, coeffs
coeffs = ____
# Print coeffs
print(coeffs)
# Assign each of the coeffs
____, ____, ____, ____ = ____