Ev fiyatını yıl ve büyüklükle açıklama

Tidyverse ile Verilerle Modelleme

Albert Y. Kim

Assistant Professor of Statistical and Data Sciences

Hatırlatma: Seattle ev fiyatları

library(dplyr)
library(moderndive)

# Yalnızca bazı değişkenleri ön izle:
house_prices %>% 
  select(price, sqft_living, condition, waterfront) %>% 
  glimpse()

Gözlem: 21,613
Değişken: 4
$ price       <dbl> 221900, 538000, 180000, 604000...
$ sqft_living <int> 1180, 2570, 770, 1960, 1680, 5420...
$ condition   <fct> 3, 3, 3, 5, 3, 3, 3, 3, 3, 3, 3...

Hatırlatma: Fiyat ve büyüklük değişkenleri

Hatırlatma: log10 dönüşümü

Hatırlatma: Veri dönüşümü

# price ve size için log10() dönüşümü
house_prices <- house_prices %>%
  mutate(
    log10_price = log10(price),
    log10_size = log10(sqft_living)
  )

Ev fiyatı için model

Sonuç değişkeni $y$ - ev fiyatı (USD): price
İki sayısal açıklayıcı/tahmin değişkeni:
- $x_1$ - ev büyüklüğü: log10_size
- $x_2$ - inşa yılı: yr_built

Ev fiyatı, büyüklük ve yılın görselleştirilmesi

log10_price, log10_size ve yr_built için 3B saçılım grafiği

Regresyon düzlemi

Regresyon düzlemiyle 3B saçılım grafiği (etkileşimli sürüm bağlantısı).

Regresyon tablosu

# y ~ x1 + x2 biçiminde regresyon modeli kur
model_price_1 <- lm(log10_price ~ log10_size + yr_built, 
                    data = house_prices)

# Regresyon tablosunu göster
get_regression_table(model_price_1)

# A tibble: 3 x 7
  term       estimate std_error statistic p_value...
  <chr>         <dbl>     <dbl>     <dbl>   <dbl>...
1 intercept   5.38      0.0754       71.4       0...
2 log10_size  0.913     0.00647     141.        0...
3 yr_built   -0.00138   0.00004     -33.8       0...

Hadi pratik yapalım!

Tidyverse ile Verilerle Modelleme