Implementazione della regressione lineare in Python

Ora che si comprende il concetto di regressione lineare, la si implementerà utilizzando Python. A questo scopo, verrà utilizzata la popolare libreria scikit-learn.

Passaggio 1: preparazione dei dati

Per prima cosa, è necessario preparare un dataset. In questo esempio verrà utilizzato un dataset semplice con una variabile indipendente (x) e una variabile dipendente (y).

Ecco i dati:

• x: 1, 2, 3, 4, 5
• y: 2, 4, 6, 8, 10

Passaggio 2: importazione delle librerie necessarie

È necessario importare le seguenti librerie:

• numpy: Per i calcoli numerici.
• matplotlib: Per le visualizzazioni.
• scikit-learn: Per gli algoritmi di machine learning.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

Passaggio 3: creazione del modello

Si crea un modello di regressione lineare utilizzando la classe LinearRegression di scikit-learn e lo si adatta ai dati.

x = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y = np.array([2, 4, 6, 8, 10])

model = LinearRegression()
model.fit(x, y)

Passaggio 4: esecuzione delle previsioni

Una volta addestrato il modello, è possibile utilizzarlo per effettuare previsioni. Ad esempio, si può prevedere il valore di y quando x = 6.

prediction = model.predict(np.array([[6]]))
print(f"Predicted value for x=6: {prediction[0]}")

Passaggio 5: visualizzazione dei risultati

È possibile tracciare i punti dati e la retta di regressione per visualizzare quanto bene il modello si adatta ai dati.

plt.scatter(x, y, color='blue', label='Data points')
plt.plot(x, model.predict(x), color='red', label='Regression line')
plt.title('Linear Regression Visualization')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.show()

Passaggio 6: valutazione del modello

Le prestazioni del modello vengono valutate utilizzando metriche come R-squared. Questa misura quanto bene il modello spiega la variabilità dei dati.

r_squared = model.score(x, y)
print(f"R-squared value: {r_squared}")

Sfide comuni nell'implementazione

Durante l'implementazione della regressione lineare, potreste dover affrontare sfide come:

• Overfitting con dataset di piccole dimensioni.
• Sensibilità ai valori anomali.
• Gestione della multicollinearità in presenza di più variabili.

Riepilogo e prossimi passi

In questa lezione avete:

• Imparato a implementare la regressione lineare usando scikit-learn.
• Effettuato previsioni e visualizzato i risultati.
• Valutato il modello usando il coefficiente R-quadro.

Successivamente, esplorerete il concetto di regressione logistica per i problemi di classificazione.