För denna utmaning används samma bostadsdataset. Nu har det dock två variabler: husets ålder och yta (kolumnerna `'age'` och `'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())

Uppgiften är att bygga en multipel linjär regressionsmodell med hjälp av klassen `OLS`. Du ska även skriva ut sammanfattningstabellen för att granska p-värdena för varje variabel.

Om du gjorde allt korrekt fick du p-värden nära noll. Det innebär att alla våra variabler är signifikanta för modellen.

Linjär regression är ett avgörande begrepp inom prediktiv analys. Det används ofta av data scientists, dataanalytiker och statistiker eftersom det är lätt att bygga och tolka men ändå tillräckligt kraftfullt för många uppgifter.

Vi börjar med den enklaste modellen för linjär regression. Du kommer att lära dig grunderna i linjär regression och hur man gör prediktioner i Python.

De flesta prediktionsuppgifter i verkliga tillämpningar involverar mer än en variabel. Du kommer att lära dig hur man hanterar linjär regression med flera variabler.

En rät linje beskriver inte alltid data på ett bra sätt. Låt oss lära oss att bygga en mer komplex modell för prediktion. Det är vad polynomregression är lämpad för.

Nu när du vet hur man bygger flera linjära regressionsmodeller behöver du ett sätt att välja den bästa. Detta är möjligt med hjälp av metrik. Denna sektion förklarar de mest använda metoderna och de svårigheter du kan stöta på när du använder dem.

Utmaning: Förutsäga Priser Med Två Variabler

Lösning

Awesome!

Utmaning: Förutsäga Priser Med Två Variabler

Lösning

Awesome!