Mengimplementasikan Regresi Logistik dalam Python

Dalam pelajaran ini, kita akan mengimplementasikan regresi logistik menggunakan pustaka scikit-learn. Kita akan menggunakan kumpulan data klasifikasi biner.

Langkah 1: Mengimpor Pustaka dan Kumpulan Data

Kita akan mulai dengan mengimpor pustaka yang diperlukan dan memuat sebuah kumpulan data. Untuk memudahkan, kita akan menggunakan make_classification dari scikit-learn untuk menghasilkan kumpulan data klasifikasi biner.

from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# Generate dataset
X, y = make_classification(n_samples=100, n_features=2, n_classes=2, random_state=42)

# Split into train and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

Langkah 2: Membuat Model Regresi Logistik

Kita menggunakan kelas LogisticRegression dari scikit-learn untuk membuat dan melatih model.

model = LogisticRegression()
model.fit(X_train, y_train)

Langkah 3: Membuat Prediksi

Setelah model dilatih, kita menggunakannya untuk membuat prediksi pada data pengujian.

y_pred = model.predict(X_test)

Langkah 4: Mengevaluasi Model

Kita mengevaluasi kinerja model menggunakan akurasi sebagai metrik.

accuracy = accuracy_score(y_test, y_pred)
print(f"Model Accuracy: {accuracy:.2f}")

Langkah 5: Memvisualisasikan Batas Keputusan

Untuk lebih memahami kinerja model, kita memvisualisasikan batas keputusan.

import matplotlib.pyplot as plt
import numpy as np

# Define grid for plotting
def plot_decision_boundary(X, y, model):
    x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
    y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
    xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.1), np.arange(y_min, y_max, 0.1))

    Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
    
    plt.contourf(xx, yy, Z, alpha=0.8)
    plt.scatter(X[:, 0], X[:, 1], c=y, edgecolor='k')
    plt.title('Decision Boundary')
    plt.show()

plot_decision_boundary(X, y, model)

Langkah 6: Menyetel Model

Kita dapat meningkatkan kinerja model dengan menyesuaikan hiperparameter seperti C, yang mengatur kekuatan regularisasi.

model = LogisticRegression(C=0.5)
model.fit(X_train, y_train)

Tantangan dalam Regresi Logistik

Tantangannya meliputi:

• Menangani kumpulan data yang tidak seimbang.
• Menangani fitur yang sangat berkorelasi.
• Memastikan ketersediaan data pelatihan yang memadai untuk menghasilkan prediksi yang efektif.

Ringkasan dan Langkah Berikutnya

Dalam pelajaran ini, kita:

• Mengimplementasikan regresi logistik menggunakan scikit-learn.
• Membuat prediksi dan mengevaluasi model.
• Memvisualisasikan batas keputusan.

Selanjutnya, kita akan mempelajari cara mengevaluasi kinerja model menggunakan metrik seperti skor F1, presisi, dan sensitivitas.