Per questa sfida, verrà utilizzato lo stesso dataset immobiliare. Tuttavia, ora dispone di due caratteristiche: età e superficie della casa (colonne `'age'` e `'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())

L'obiettivo è costruire un modello di Regressione Lineare Multipla utilizzando la classe `OLS`. Inoltre, verrà stampata la tabella di riepilogo per osservare i p-value di ciascuna caratteristica.

Se hai seguito correttamente tutti i passaggi, hai ottenuto valori p prossimi a zero. Questo significa che tutte le nostre variabili sono significative per il modello.

La regressione lineare è un concetto fondamentale nell'analisi predittiva. È ampiamente utilizzata da data scientist, analisti di dati e statistici poiché è facile da costruire e interpretare, ma abbastanza potente per molti compiti.

Iniziamo con il modello di Regressione Lineare più semplice. Verranno illustrate le basi della Regressione Lineare e come effettuare previsioni in Python.

La maggior parte delle attività di previsione nel mondo reale coinvolge più di una caratteristica. Verrà illustrato come gestire la regressione lineare con più caratteristiche.

Una retta non descrive sempre adeguatamente i dati. Impariamo come costruire un modello più complesso per la previsione. Questo è l'obiettivo della Regressione Polinomiale.

Ora che sai come costruire diversi modelli di Regressione Lineare, è necessario un metodo per selezionare il migliore. Questo è possibile utilizzando le metriche. Questa sezione illustra le metriche più utilizzate e le difficoltà che si possono incontrare nel loro impiego.

Sfida: Previsione dei Prezzi Utilizzando Due Variabili

Soluzione

Awesome!

Sfida: Previsione dei Prezzi Utilizzando Due Variabili

Soluzione