Pour ce défi, le même jeu de données sur le logement sera utilisé. Cependant, il comporte désormais 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 consiste à construire un modèle de régression linéaire multiple en utilisant la classe `OLS`. Vous afficherez également le tableau récapitulatif afin d'examiner les p-values de chaque caractéristique.

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

La régression linéaire est un concept fondamental en analytique 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 tout en étant suffisamment puissante pour de nombreuses tâches.

Commençons par le modèle de régression linéaire le plus simple. Vous découvrirez le concept de la régression linéaire et la manière de réaliser des prédictions en Python.

La plupart des tâches de prédiction réelles impliquent plus d'une variable. Vous apprendrez à gérer la régression linéaire avec plusieurs variables explicatives.

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

Maintenant que vous savez comment construire plusieurs modèles de régression linéaire, il est nécessaire de disposer d'une méthode pour sélectionner le meilleur. Cela est possible grâce à l'utilisation de métriques. Cette section présente les métriques les plus couramment utilisées ainsi que les difficultés potentielles liées à leur utilisation.

Défi : Prédire les Prix en Utilisant Deux Variables

Solution

Awesome!

Défi : Prédire les Prix en Utilisant Deux Variables

Solution

Awesome!