Förutsäga huspriser
En av de mest användbara egenskaperna hos statistiska modeller som linjär regression är att du kan göra förutsägelser. Det innebär att du anger värden för varje förklaringsvariabel, matar in dem i modellen och får en förutsägelse för den motsvarande responsvariabeln. Koden ser ut så här:
explanatory_data = pd.DataFrame({"explanatory_var": list_of_values})
predictions = model.predict(explanatory_data)
prediction_data = explanatory_data.assign(response_var=predictions)
Här ska du göra förutsägelser för huspriser i datamängden för Taiwans fastighetsmarknad.
taiwan_real_estate är tillgänglig. Den anpassade linjära regressionsmodellen för huspris mot antal närbutiker finns tillgänglig som mdl_price_vs_conv. I kommande övningar, när en modell är tillgänglig, är den också anpassad.
Den här övningen är en del av kursen
Introduktion till regression med statsmodels i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import numpy with alias np
____
# Create the explanatory_data
explanatory_data = pd.____({'____': np.____(____)})
# Print it
____