Para este desafío, se utilizará el mismo conjunto de datos de viviendas. Sin embargo, ahora cuenta con dos características: la antigüedad y el área de la casa (columnas `'age'` y `'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())

El objetivo es construir un modelo de Regresión Lineal Múltiple utilizando la clase `OLS`. Además, se imprimirá la tabla resumen para observar los valores p de cada característica.

Si realizaste todos los pasos correctamente, obtuviste valores p cercanos a cero. Esto significa que todas nuestras características son significativas para el modelo.

La regresión lineal es un concepto fundamental en el análisis predictivo. Es ampliamente utilizada por científicos de datos, analistas de datos y estadísticos, ya que es fácil de construir e interpretar, pero lo suficientemente potente para muchas tareas.

Comencemos con el modelo de Regresión Lineal más sencillo. Aprenderá el concepto fundamental de la Regresión Lineal y cómo realizar predicciones en Python.

La mayoría de las tareas de predicción en el mundo real involucran más de una característica. Aprenderá cómo manejar la regresión lineal con múltiples características.

Una línea recta no siempre describe bien los datos. Aprendamos cómo construir un modelo más complejo para la predicción. Para esto se utiliza la regresión polinómica.

Ahora que sabe cómo construir varios modelos de Regresión Lineal, necesita una forma de elegir el mejor. Esto se puede lograr utilizando métricas. Esta sección explica las más utilizadas y las dificultades que puede encontrar al usarlas.

Desafío: Predicción de Precios Utilizando Dos Características

Solución

Awesome!

Desafío: Predicción de Precios Utilizando Dos Características

Solución

Awesome!