Konsep Regresi Linear

Konsep Regresi Linear

Regresi linear adalah salah satu algoritma paling sederhana dan paling banyak digunakan dalam pembelajaran terawasi. Algoritma ini memodelkan hubungan antara dua variabel dengan menyesuaikan garis lurus pada data.

Garis ini disebut garis yang paling sesuai.

Regresi linear ideal untuk:

• Memprediksi nilai kontinu (misalnya, harga rumah dan suhu).
• Memahami hubungan antara variabel independen dan dependen.

Komponen utama model regresi linear adalah:

• Kemiringan: Menentukan sudut garis.
• Titik potong: Titik tempat garis memotong sumbu y.
• Kesalahan: Perbedaan antara nilai aktual dan nilai prediksi.

Rumus regresi linear adalah:

y = mx + b

• y: Variabel dependen (nilai yang ingin Anda prediksi).
• m: Kemiringan garis.
• x: Variabel independen (data masukan).
• b: Titik potong (konstanta).

Regresi linear meminimalkan perbedaan antara nilai aktual dan nilai prediksi dengan mencari garis yang meminimalkan jumlah kuadrat kesalahan (metode kuadrat terkecil).

Dengan demikian, garis tersebut sedekat mungkin dengan semua titik data.

Model regresi linear biasanya divisualisasikan dengan plot sebar titik data dan garis yang paling sesuai.

Berikut contoh kumpulan datanya:

• Variabel independen (x): 1, 2, 3, 4, 5
• Variabel dependen (y): 2, 4, 6, 8, 10

Regresi linear banyak digunakan dalam bidang:

• Ekonomi: Memprediksi harga saham.
• Kesehatan: Memperkirakan waktu pemulihan pasien.
• Pemasaran: Memprediksi pendapatan penjualan.

Regresi linear mengasumsikan adanya hubungan linear antara variabel, padahal hal ini tidak selalu berlaku.

Regresi ini juga sensitif terhadap pencilan, yang dapat memengaruhi garis paling sesuai secara signifikan.

Dalam pelajaran ini, kita membahas:

• Konsep dan rumus regresi linear.
• Kapan menggunakannya dan komponen utamanya.
• Kasus penggunaan umum dan keterbatasannya.

Selanjutnya, kita akan menerapkan regresi linear dalam Python melalui latihan langsung.