Прогнозування цін на житло
Мабуть, найкорисніша властивість статистичних моделей, зокрема лінійної регресії, — це можливість робити прогнози. Тобто ви задаєте значення для кожної пояснювальної змінної, передаєте їх моделі й отримуєте прогноз для відповідної відгукової змінної. Послідовність коду така.
explanatory_data = pd.DataFrame({"explanatory_var": list_of_values})
predictions = model.predict(explanatory_data)
prediction_data = explanatory_data.assign(response_var=predictions)
Тут ви спрогнозуєте ціни на житло в наборі даних про нерухомість Тайваню.
taiwan_real_estate доступний. Підігнана модель лінійної регресії залежності ціни житла від кількості крамниць біля дому доступна як mdl_price_vs_conv. У подальших вправах, якщо модель доступна, її вже буде підігнано.
Ця вправа є частиною курсу
Вступ до Regression зі statsmodels у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Import numpy with alias np
____
# Create the explanatory_data
explanatory_data = pd.____({'____': np.____(____)})
# Print it
____