Menerapkan Regresi Linear dalam Python

Setelah memahami konsep regresi linear, sekarang mari kita menerapkannya menggunakan Python. Untuk tujuan ini, kita akan menggunakan pustaka populer scikit-learn.

Langkah 1: Menyiapkan Data

Pertama, kita perlu menyiapkan kumpulan data. Dalam contoh ini, kita akan menggunakan kumpulan data sederhana dengan satu variabel independen (x) dan satu variabel dependen (y).

Berikut datanya:

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

Langkah 2: Mengimpor Pustaka yang Diperlukan

Kita perlu mengimpor pustaka berikut:

• numpy: Untuk perhitungan numerik.
• matplotlib: Untuk visualisasi.
• scikit-learn: Untuk algoritma pembelajaran mesin.

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

Langkah 3: Membuat Model

Kita membuat model regresi linear menggunakan kelas LinearRegression dari scikit-learn dan menyesuaikannya dengan data.

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)

Langkah 4: Membuat Prediksi

Setelah model dilatih, kita dapat menggunakannya untuk membuat prediksi. Misalnya, memprediksi nilai y ketika x = 6.

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

Langkah 5: Memvisualisasikan Hasil

Kita dapat membuat plot titik data dan garis regresi untuk memvisualisasikan seberapa baik model menyesuaikan data.

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()

Langkah 6: Mengevaluasi Model

Kita mengevaluasi kinerja model menggunakan metrik seperti R-kuadrat. Metrik ini mengukur seberapa baik model menjelaskan variasi data.

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

Tantangan Umum dalam Penerapan

Saat menerapkan regresi linear, Anda mungkin menghadapi tantangan seperti:

• Penyesuaian berlebihan pada kumpulan data berukuran kecil.
• Sensitivitas terhadap pencilan.
• Menangani multikolinearitas pada banyak variabel.

Ringkasan dan Langkah Berikutnya

Dalam pelajaran ini, kita:

• Mempelajari cara menerapkan regresi linear menggunakan scikit-learn.
• Membuat prediksi dan memvisualisasikan hasilnya.
• Mengevaluasi model menggunakan R-kuadrat.

Selanjutnya, kita akan mempelajari konsep regresi logistik untuk masalah klasifikasi.