Göra förutsägelser med en parallellslutsmodell
Även om seaborn automatiskt kan visa modellförutsägelser med sns.regplot(), behöver du göra beräkningarna själv för att kunna använda värdena i din kod.
Precis som när du arbetar med en enda förklaringsvariabel består arbetsflödet av två steg: skapa en DataFrame med förklaringsvariabler och lägg sedan till en kolumn med förutsägelser.
taiwan_real_estate och mdl_price_vs_both finns tillgängliga som en anpassad modell. seaborn, ols(), matplotlib.pyplot, pandas och numpy är inlästa med sina standardalias. Det gäller även resten av kursen. Dessutom finns itertools.product tillgängligt.
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.
# 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)