Til denne udfordring anvendes det samme boligdatasæt. Nu indeholder det dog to egenskaber: husets alder og areal (kolonnerne `'age'` og `'square_feet'`).

import pandas as pd

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/houseprices.csv')
print(df.head())

Opgaven er at opbygge en multipel lineær regressionsmodel ved hjælp af `OLS`-klassen. Derudover udskrives oversigtstabellen for at se p-værdierne for hver egenskab.

Hvis du har gjort alt korrekt, har du fået p-værdier tæt på nul. Det betyder, at alle vores funktioner er signifikante for modellen.

Lineær regression er et centralt begreb inden for prædiktiv analyse. Det anvendes bredt af dataforskere, dataanalytikere og statistikere, da det er let at opbygge og fortolke, men samtidig kraftfuldt nok til mange opgaver.

Lad os begynde med den simpleste lineære regressionsmodel! Du vil lære idéen bag lineær regression og hvordan man foretager forudsigelser i Python.

De fleste virkelige forudsigelsesopgaver involverer mere end én feature. Du vil lære, hvordan man håndterer lineær regression med flere features.

En ret linje beskriver ikke altid dataene tilstrækkeligt. Lad os lære at opbygge en mere kompleks model til forudsigelse. Det er det, polynomiel regression egner sig til.

Nu hvor du ved, hvordan man opbygger flere lineære regressionsmodeller, har du brug for en metode til at vælge den bedste. Dette kan opnås ved hjælp af metrikker. Dette afsnit forklarer de mest anvendte metrikker og de udfordringer, du kan møde ved brugen af dem.

Udfordring: Forudsigelse af Priser ved Brug af To Funktioner

Løsning

Awesome!

Udfordring: Forudsigelse af Priser ved Brug af To Funktioner

Løsning