Ручне обчислення прогнозів

Як і у випадку простої лінійної регресії, ви можете вручну обчислити прогнози за коефіцієнтами моделі. Єдина відмінність для моделі з паралельними нахилами полягає в тому, що вільний член відрізняється для кожної категорії категоріальної пояснювальної змінної. Тобто потрібно окремо розглянути випадок для кожної категорії.

taiwan_real_estate, mdl_price_vs_both і explanatory_data доступні; ic_0_15, ic_15_30, ic_30_45 та slope з попередньої вправи також завантажені.

Ця вправа є частиною курсу

Середній рівень регресії зі statsmodels у Python

Переглянути курс

Інструкції до вправи

Створіть список conditions із трьома умовами: house_age_years дорівнює "0 to 15", house_age_years дорівнює "15 to 30" і house_age_years дорівнює "30 to 45".
Створіть список choices із виділеними вільними членами з mdl_price_vs_both. Вони відповідають кожній з умов.
Створіть масив вільних членів за допомогою np.select().
Створіть prediction_data: почніть з explanatory_data, присвойте intercept як масив вільних членів і price_twd_msq як вручну обчислені прогнози.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)

Редагувати та запускати код