Para este desafio, será utilizado o mesmo conjunto de dados de habitação. No entanto, agora ele possui duas variáveis: idade e área da casa (colunas `'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())

O objetivo é construir um modelo de Regressão Linear Múltipla utilizando a classe `OLS`. Além disso, será exibida a tabela de resumo para analisar os valores de p de cada variável.

Se você fez tudo corretamente, obteve valores de p próximos de zero. Isso significa que todas as nossas variáveis são significativas para o modelo.

A Regressão Linear é um conceito fundamental em análise preditiva. É amplamente utilizada por cientistas de dados, analistas de dados e estatísticos, pois é fácil de construir e interpretar, mas suficientemente poderosa para diversas tarefas.

Vamos começar com o modelo mais simples de Regressão Linear! Você aprenderá o conceito por trás da Regressão Linear e como realizar previsões em Python.

A maioria das tarefas de previsão do mundo real envolve mais de uma variável. Você aprenderá como lidar com Regressão Linear com múltiplas variáveis.

Uma linha reta nem sempre descreve bem os dados. Vamos aprender como construir um modelo mais complexo para previsão! É para isso que a Regressão Polinomial é adequada.

Agora que você sabe como construir vários modelos de Regressão Linear, é necessário um método para escolher o melhor. Isso pode ser feito utilizando métricas. Esta seção explica as métricas mais utilizadas e as dificuldades que podem surgir ao utilizá-las.

Desafio: Previsão de Preços Utilizando Duas Variáveis

Solução

Awesome!

Desafio: Previsão de Preços Utilizando Duas Variáveis

Solução

Awesome!