Implementieren der linearen Regression in Python

Nachdem Sie nun das Konzept der linearen Regression verstanden haben, implementieren wir sie mit Python. Dafür verwenden wir die beliebte Bibliothek scikit-learn.

Schritt 1: Vorbereiten der Daten

Zunächst müssen wir einen Datensatz vorbereiten. Für dieses Beispiel verwenden wir einen einfachen Datensatz mit einer unabhängigen Variable (x) und einer abhängigen Variable (y).

Hier sind die Daten:

• x: 1, 2, 3, 4, 5
• y: 2, 4, 6, 8, 10

Schritt 2: Erforderliche Bibliotheken importieren

Wir müssen die folgenden Bibliotheken importieren:

• numpy: Für numerische Berechnungen.
• matplotlib: Für Visualisierungen.
• scikit-learn: Für Algorithmen des maschinellen Lernens.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

Schritt 3: Erstellen des Modells

Wir erstellen mithilfe der LinearRegression-Klasse von scikit-learn ein lineares Regressionsmodell und passen es an die Daten an.

x = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y = np.array([2, 4, 6, 8, 10])

model = LinearRegression()
model.fit(x, y)

Schritt 4: Erstellen von Vorhersagen

Sobald das Modell trainiert ist, können wir es für Vorhersagen verwenden. Zum Beispiel können wir den Wert von y für x = 6 vorhersagen.

prediction = model.predict(np.array([[6]]))
print(f"Predicted value for x=6: {prediction[0]}")

Schritt 5: Visualisieren der Ergebnisse

Wir können die Datenpunkte und die Regressionsgerade darstellen, um zu sehen, wie gut das Modell die Daten abbildet.

plt.scatter(x, y, color='blue', label='Data points')
plt.plot(x, model.predict(x), color='red', label='Regression line')
plt.title('Linear Regression Visualization')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

Schritt 6: Bewerten des Modells

Wir bewerten die Leistung des Modells mithilfe von Kennzahlen wie R-Quadrat. Diese Kennzahl misst, wie gut das Modell die Streuung der Daten erklärt.

r_squared = model.score(x, y)
print(f"R-squared value: {r_squared}")

Häufige Herausforderungen bei der Implementierung

Bei der Implementierung der linearen Regression können unter anderem folgende Herausforderungen auftreten:

• Überanpassung bei kleinen Datensätzen.
• Empfindlichkeit gegenüber Ausreißern.
• Umgang mit Multikollinearität bei mehreren Variablen.

Zusammenfassung und nächste Schritte

In dieser Lektion haben wir:

• Gelernt, wie man mithilfe von scikit-learn eine lineare Regression implementiert.
• Vorhersagen erstellt und die Ergebnisse visualisiert.
• Das Modell mithilfe von R-Quadrat bewertet.

Als Nächstes beschäftigen wir uns mit dem Konzept der logistischen Regression für Klassifikationsprobleme.