Python For Kids · Pelajaran

Penerapan Regresi Logistik

Membangun model klasifikasi dalam Python

Penerapan Regresi Logistik adalah pelajaran Python For Kids gratis di CoddyKit. Ini adalah pelajaran 4 dari 5. 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 Python For Kids, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Python For Kids mencakup 5 pelajaran total.

Menerapkan Regresi Logistik dalam Python

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

Penerapan Regresi Logistik — ilustrasi 1

Mengimpor Pustaka dan Kumpulan Data

Langkah 1: Mengimpor Pustaka dan Kumpulan Data

Kita akan mulai dengan mengimpor pustaka yang diperlukan dan memuat sebuah kumpulan data. Agar sederhana, 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)

Membuat Model Regresi Logistik

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)

Membuat Prediksi

Langkah 3: Membuat Prediksi

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

y_pred = model.predict(X_test)

Mengevaluasi Model

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}")

Memvisualisasikan Batas Keputusan

Langkah 5: Memvisualisasikan Batas Keputusan

Untuk memahami kinerja model dengan lebih baik, 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)

Menyetel Model

Langkah 6: Menyetel Model

Kita dapat meningkatkan kinerja model dengan menyesuaikan hiperparameter seperti C, yang mengendalikan 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 telah:

Menerapkan 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 perolehan kembali.

Penerapan Regresi Logistik — ilustrasi 10

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Penerapan Regresi Logistik” gratis?

Ya — teks lengkap “Penerapan Regresi Logistik” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Python For Kids, upgrade ke CoddyKit PRO. Kursus Python For Kids mencakup 5 pelajaran total.

Apa yang akan aku pelajari di “Penerapan Regresi Logistik”?

Membangun model klasifikasi dalam Python Kamu berlatih Python For Kids 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 Python For Kids?

Tidak diperlukan pengalaman sebelumnya. Python For Kids 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 4 dari 5.

Berapa lama pelajaran “Penerapan Regresi Logistik” 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 Python For Kids ini?

Ya. Setiap pelajaran Python For Kids 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

← Kembali ke Python For Kids