Pour ce défi, le même jeu de données sur le logement sera utilisé. Cependant, il a maintenant deux caractéristiques : l'âge et la superficie de la maison (colonnes `age` et `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())

Votre tâche est de construire un modèle de régression linéaire multiple en utilisant la classe `OLS`. De plus, vous imprimerez le tableau récapitulatif pour examiner les valeurs p de chaque caractéristique.

Si vous avez tout fait correctement, vous avez obtenu des p-valeurs proches de zéro. Cela signifie que toutes nos caractéristiques sont significatives pour le modèle.

La régression linéaire est un concept crucial en analyse prédictive. Elle est largement utilisée par les data scientists, les analystes de données et les statisticiens car elle est facile à construire et à interpréter, mais suffisamment puissante pour de nombreuses tâches.

Commençons par le modèle de régression linéaire le plus simple ! Vous apprendrez l'idée derrière la régression linéaire et comment faire des prédictions en Python.

La plupart des tâches de prédiction dans le monde réel impliquent plus d'une caractéristique. Vous apprendrez à gérer la régression linéaire avec plusieurs caractéristiques.

Une ligne droite ne décrit pas toujours bien les données. Apprenons à construire un modèle plus complexe pour la prédiction ! C'est pour cela que la régression polynomiale est adaptée.

Maintenant que vous savez comment construire de nombreux modèles de régression linéaire, vous avez besoin d'un moyen pour choisir le meilleur. Cela est réalisable en utilisant des métriques. Cette section explique les plus utilisées et les difficultés que vous pouvez rencontrer en les utilisant.

Prédire les Prix en Utilisant Deux Caractéristiques

Solution

Prédire les Prix en Utilisant Deux Caractéristiques

Solution