Meninjau Kembali Regresi Linear
Koefisien, intersep, dan penyesuaian
Meninjau Kembali Regresi Linear adalah pelajaran Data Science Academy gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Data Science Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Data Science Academy mencakup 4 pelajaran total.
Garis Melalui Data
Regresi linear menyesuaikan garis lurus yang paling baik memprediksi suatu angka dari fitur Anda. Ini adalah titik awal paling sederhana untuk setiap prediksi. 📈
Persamaan di Baliknya
Setiap prediksi berasal dari satu rumus: setiap fitur mendapat bobot, lalu semua bobot dijumlahkan. Jumlah berbobot itu adalah garis yang digambar model melalui data Anda.
y = w1*x1 + w2*x2 + bMengenal Koefisien
Bobot tersebut disebut koefisien. Masing-masing menunjukkan seberapa besar target berubah ketika fiturnya naik satu unit, sementara fitur lainnya tetap.
Intersep Menjadi Jangkar
Intersep adalah nilai prediksi ketika semua fitur bernilai nol. Intersep menggeser seluruh garis ke atas atau ke bawah agar berada di posisi data.
Makna Fitting di Sini
Fitting memilih koefisien yang membuat prediksi sedekat mungkin dengan nilai sebenarnya. Model hanya menyesuaikan garis hingga kesalahan mengecil.
Latih dalam Dua Baris
scikit-learn membuatnya singkat: buat model, lalu panggil fit dengan fitur dan target Anda. Perhitungannya dilakukan untuk Anda.
from sklearn.linear_model import LinearRegression
model = LinearRegression().fit(X, y)Baca Kembali Koefisiennya
Setelah fitting, bobot yang dipelajari tersimpan dalam koefisien_ dan pergeserannya dalam intersep_. Keduanya menceritakan apa yang dipelajari model.
model.coef_, model.intercept_Prediksi Nilai Baru
Berikan input baru kepada predict, lalu model menerapkan garis tersebut untuk mengembalikan angka. Ini adalah pemanggilan sederhana yang sama seperti pada setiap estimator.
model.predict(X_new)Tanda Menunjukkan Arah
Koefisien positif berarti target meningkat bersama fitur tersebut; koefisien negatif berarti target menurun. Tanda ini menjadi petunjuk pertama tentang hubungan tersebut.
Model Ini Mengasumsikan Garis Lurus
Regresi linear hanya dapat mengikuti hubungan yang lurus, sehingga mungkin melewatkan pola melengkung. Mengetahui batasan ini membantu Anda menentukan kapan perlu menggunakan model yang lebih kaya.
Mengapa Memulai dari yang Sederhana
Model ini dilatih dengan cepat dan mudah dijelaskan, sehingga menjadi tolok ukur awal yang baik. Lampaui nilainya sebelum mempercayai model yang lebih rumit.
Pemeriksaan Singkat
Mari memastikan makna setiap bagian dari garis yang telah disesuaikan.
Ringkasan
Regresi linear menggambar garis berbobot: koefisien menentukan kemiringan, intersep menjadi jangkar, dan fit menyesuaikan keduanya untuk mengurangi kesalahan. Tolok ukur awal yang bersih dan cepat. 🎯
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Meninjau Kembali Regresi Linear” gratis?
Ya — teks lengkap “Meninjau Kembali Regresi Linear” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Data Science Academy, upgrade ke CoddyKit PRO. Kursus Data Science Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Meninjau Kembali Regresi Linear”?
Koefisien, intersep, dan penyesuaian Kamu berlatih Data Science Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Data Science Academy?
Tidak diperlukan pengalaman sebelumnya. Data Science Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.
Berapa lama pelajaran “Meninjau Kembali Regresi Linear” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Data Science Academy ini?
Ya. Setiap pelajaran Data Science Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Meninjau Kembali Regresi Linear
- Regularisasi Ridge dan Lasso
- Regresi Pohon Keputusan
- Random Forest untuk Regresi