Підгонка лінійної регресії з паралельними нахилами
У курсі Introduction to Regression with statsmodels in Python ви вчилися підганяти моделі лінійної регресії з однією пояснювальною змінною. У багатьох випадках використання лише однієї пояснювальної змінної обмежує точність прогнозів. Щоб по-справжньому опанувати лінійну регресію, потрібно вміти підганяти моделі з кількома пояснювальними змінними.
Випадок, коли маємо одну числову пояснювальну змінну та одну категоріальну, інколи називають лінійною регресією з «паралельними нахилами» через форму прогнозів — більше про це в наступній вправі.
Тут ви знову попрацюєте з набором даних про нерухомість на Тайвані. Згадайте значення кожної змінної.
| Variable | Meaning |
|---|---|
dist_to_mrt_station_m |
Відстань до найближчої станції метро MRT, у метрах. |
n_convenience |
Кількість крамниць біля дому в пішій доступності. |
house_age_years |
Вік будинку, у роках, у 3 групах. |
price_twd_msq |
Ціна житла за одиницю площі, у нових тайванських доларах за м². |
taiwan_real_estate доступний.
Ця вправа є частиною курсу
Середній рівень регресії зі statsmodels у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Import ols from statsmodels.formula.api
____
# Fit a linear regression of price_twd_msq vs. n_convenience
mdl_price_vs_conv = ____
# Print the coefficients
print(____)