Melaksanakan Regresi Linear dalam Python

Melaksanakan LinearRegression dalam Python

Setelah memahami konsep LinearRegression, mari kita melaksanakannya menggunakan Python. Kita akan menggunakan pustaka scikit-learn yang popular untuk tujuan ini.

Langkah 1: Menyediakan Data

Mula-mula, kita perlu menyediakan set data. Untuk contoh ini, kita akan menggunakan set data mudah dengan satu pemboleh ubah bebas (x) dan satu pemboleh ubah bersandar (y).

Berikut ialah datanya:

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

Langkah 2: Mengimport Pustaka yang Diperlukan

Kita perlu mengimport pustaka berikut:

• numpy: Untuk pengiraan berangka.
• matplotlib: Untuk visualisasi.
• scikit-learn: Untuk algoritma pembelajaran mesin.

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

Langkah 3: Mencipta Model

Kita mencipta model LinearRegression menggunakan kelas LinearRegression daripada scikit-learn dan memadankannya dengan data.

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)

Langkah 4: Membuat Ramalan

Setelah model dilatih, kita boleh menggunakannya untuk membuat ramalan. Contohnya, meramalkan nilai y apabila x = 6.

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

Langkah 5: Memvisualisasikan Hasil

Kita boleh memplot titik data dan garis regresi untuk melihat sejauh mana model memadankan data.

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()

Langkah 6: Menilai Model

Kita menilai prestasi model menggunakan metrik seperti R-kuasa dua. Metrik ini mengukur sejauh mana model menerangkan kebolehubahan data.

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

Semasa melaksanakan LinearRegression, anda mungkin menghadapi cabaran seperti:

• Pemadanan berlebihan dengan set data yang kecil.
• Kepekaan terhadap pencilan.
• Mengendalikan multikolinearan dalam berbilang pemboleh ubah.

Dalam pelajaran ini, kita telah:

• Mempelajari cara melaksanakan LinearRegression menggunakan scikit-learn.
• Membuat ramalan dan memvisualisasikan hasilnya.
• Menilai model menggunakan R-kuasa dua.

Seterusnya, kita akan meneroka konsep regresi logistik untuk masalah pengelasan.