Konsep LinearRegression

LinearRegression 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 paling sesuai.

LinearRegression ideal untuk:

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

Komponen utama model LinearRegression adalah:

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

Rumus untuk LinearRegression adalah:

y = mx + b

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

LinearRegression meminimalkan perbedaan antara nilai aktual dan nilai prediksi dengan menemukan garis yang meminimalkan jumlah kuadrat kesalahan (metode kuadrat terkecil).

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

Model LinearRegression biasanya divisualisasikan dengan diagram pencar titik-titik data dan garis paling sesuai.

Berikut contoh kumpulan data:

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

LinearRegression banyak digunakan dalam:

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

LinearRegression mengasumsikan adanya hubungan linear antara variabel, padahal hal tersebut tidak selalu berlaku.

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

Dalam pelajaran ini, kita membahas:

• Konsep dan rumus LinearRegression.
• Kapan menggunakannya dan komponen utamanya.
• Penerapan umum dan keterbatasannya.

Selanjutnya, kita akan menerapkan LinearRegression dalam Python melalui latihan praktik.