ПочатиПочніть безкоштовно

Ручне прогнозування цін на житло

Ви можете вручну обчислити прогнози на основі коефіцієнтів моделі. У реальних задачах для прогнозування краще використовувати .predict(), але ручний розрахунок допомагає переконатися, що прогнози — це не «магія», а проста арифметика.

Для простої лінійної регресії прогнозоване значення — це вільний член плюс кутовий коефіцієнт, помножений на пояснювальну змінну.

$$\text{response} = \text{intercept} + \text{slope} * \text{explanatory}$$

mdl_price_vs_conv і explanatory_data доступні.

Ця вправа є частиною курсу

Вступ до Regression зі statsmodels у Python

Переглянути курс

Інструкції до вправи

  • Отримайте коефіцієнти/параметри mdl_price_vs_conv і збережіть у coeffs.
  • Отримайте вільний член (intercept) — це перший елемент coeffs — і збережіть у intercept.
  • Отримайте кутовий коефіцієнт (slope) — це другий елемент coeffs — і збережіть у slope.
  • Ручно спрогнозуйте price_twd_msq за формулою, використавши intercept, slope і explanatory_data.
  • Запустіть код, щоб порівняти ваші ручні розрахунки з результатами .predict().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Get the coefficients of mdl_price_vs_conv
coeffs = ____

# Get the intercept
intercept = ____

# Get the slope
slope = ____

# Manually calculate the predictions
price_twd_msq = ____
print(price_twd_msq)

# Compare to the results from .predict()
print(price_twd_msq.assign(predictions_auto=mdl_price_vs_conv.predict(explanatory_data)))
Редагувати та запускати код