Implementieren der linearen Regression in Python

Nachdem Sie nun das Konzept der linearen Regression verstanden haben, implementieren wir sie mit Python. Dazu 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: Importieren der benötigten Bibliotheken

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 ein lineares Regressionsmodell mit der Klasse LinearRegression von scikit-learn 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. Beispielsweise 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 visualisieren, wie gut das Modell an die Daten angepasst ist.

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 zeigen, wie gut das Modell die Variabilität 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 Sie auf folgende Herausforderungen stoßen:

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

Zusammenfassung und nächste Schritte

In dieser Lektion haben wir:

• Gelernt, eine lineare Regression mit scikit-learn zu implementieren.
• Vorhersagen erstellt und die Ergebnisse visualisiert.
• Das Modell mithilfe des Bestimmtheitsmaßes R² bewertet.

Als Nächstes betrachten wir das Konzept der logistischen Regression für Klassifikationsprobleme.