Etkileşim ekleme

Bir sayısal ve bir kategorik açıklayıcı değişkenli durumda olduğu gibi, sayısal açıklayıcı değişkenler de etkileşime girebilir. Bu model yapısında üçüncü bir eğim katsayısı elde edersin: her bir açıklayıcı değişken için bir tane ve bir de etkileşim için.

Burada, önceki egzersizdekiyle aynı modeli çalıştıracak, tahmin edecek ve görselleştireceksin; ancak bu kez açıklayıcı değişkenler arasındaki etkileşimi de modele dahil edeceksin.

Bu egzersiz, kursun bir parçasıdır

Python ile statsmodels'da Orta Düzey Regresyon

Kursa Göz Atın

Egzersiz talimatları

Modelin adını mdl_price_vs_conv_dist_inter olarak değiştir.
Etkileşimi içerecek şekilde, önceki egzersizdeki kodun geri kalanını uyarlayarak devam et.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Convert to mdl_price_vs_conv_dist_inter
mdl_price_vs_conv_dist = ols("price_twd_msq ~ n_convenience + sqrt_dist_to_mrt_m", data=taiwan_real_estate).fit()

# Use mdl_price_vs_conv_dist_inter to make predictions
n_convenience = np.arange(0, 11)
sqrt_dist_to_mrt_m = np.arange(0, 81, 10)
p = product(n_convenience, sqrt_dist_to_mrt_m)
explanatory_data = pd.DataFrame(p, columns=["n_convenience", "sqrt_dist_to_mrt_m"])
prediction_data = explanatory_data.assign(
    price_twd_msq = mdl_price_vs_conv_dist.predict(explanatory_data))

sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=taiwan_real_estate, hue="price_twd_msq", legend=False)

sns.scatterplot(x="n_convenience", y="sqrt_dist_to_mrt_m", data=prediction_data, hue="price_twd_msq", marker="s")

plt.show()

Kodu Düzenle ve Çalıştır