Beräkna prediktioner manuellt

Precis som vid enkel linjär regression kan du även manuellt beräkna prediktioner utifrån modellens koefficienter. Den enda skillnaden för parallella lutningsmodeller är att interceptet varierar för varje kategori i den kategoriska förklaringsvariabeln. Det innebär att du behöver hantera varje kategori separat.

taiwan_real_estate, mdl_price_vs_both och explanatory_data är tillgängliga. ic_0_15, ic_15_30, ic_30_45 och slope från föregående övning är också inlästa.

Den här övningen är en del av kursen

Intermediär regression med statsmodels i Python

Visa kurs

Övningsinstruktioner

Definiera en lista, conditions, med tre villkorssatser: house_age_years är "0 to 15", house_age_years är "15 to 30" och house_age_years är "30 to 45".
Definiera en lista, choices, med de extraherade intercepten från mdl_price_vs_both. Dessa motsvarar varje villkor.
Skapa en array med intercept med hjälp av np.select().
Skapa prediction_data: börja med explanatory_data, tilldela intercept som arrayen av intercept och price_twd_msq som de manuellt beräknade prediktion.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Define conditions
conditions = [____]

# Define choices
choices = [____]

# Create array of intercepts for each house_age_year category
intercept = ____(____, ____)

# Create prediction_data with columns intercept and price_twd_msq
prediction_data = ____.____(
			      ____ = ____,
  			      ____ = ____ + ____ * ____[____])

print(prediction_data)

Redigera och kör kod