Pour ce défi, le même jeu de données sur l'immobilier 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 valeurs p de chaque caractéristique.

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

La régression linéaire est un concept essentiel 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 principe de la régression linéaire et la réalisation de 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 construire plusieurs modèles de régression linéaire, il est nécessaire de 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 rencontrées lors de leur utilisation.

Défi : Prédire les Prix en Utilisant Deux Variables

Solution

Awesome!

Défi : Prédire les Prix en Utilisant Deux Variables

Solution