Lineare Regression in Python implementieren

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: Daten vorbereiten

Zuerst 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: Benötigte 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: Das Modell erstellen

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: Vorhersagen treffen

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

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

Schritt 5: Ergebnisse visualisieren

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

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: Das Modell bewerten

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

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

Bei der Implementierung der linearen Regression können Herausforderungen auftreten, zum Beispiel:

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

In dieser Lektion haben wir:

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

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