Implementowanie regresji liniowej w Pythonie

Skoro znają już Państwo pojęcie regresji liniowej, zaimplementujmy ją w Pythonie. W tym celu użyjemy popularnej biblioteki scikit-learn.

Krok 1: Przygotowanie danych

Najpierw musimy przygotować zbiór danych. W tym przykładzie użyjemy prostego zbioru z jedną zmienną niezależną (x) i jedną zmienną zależną (y).

Oto dane:

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

Krok 2: Importowanie wymaganych bibliotek

Musimy zaimportować następujące biblioteki:

• numpy: Do obliczeń numerycznych.
• matplotlib: Do wizualizacji.
• scikit-learn: Do algorytmów uczenia maszynowego.

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

Krok 3: Tworzenie modelu

Tworzymy model regresji liniowej za pomocą klasy LinearRegression z biblioteki scikit-learn i dopasowujemy go do danych.

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)

Krok 4: Tworzenie predykcji

Po wytrenowaniu modelu możemy użyć go do tworzenia predykcji. Na przykład możemy przewidzieć wartość y, gdy x = 6.

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

Krok 5: Wizualizacja wyników

Możemy nanieść punkty danych i linię regresji na wykres, aby ocenić, jak dobrze model pasuje do danych.

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()

Krok 6: Ocena modelu

Ocenimy działanie modelu za pomocą takich metryk jak R-kwadrat. Mierzy on, jak dobrze model wyjaśnia zmienność danych.

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

Podczas implementowania regresji liniowej można napotkać takie wyzwania jak:

• Przeuczenie w przypadku małych zbiorów danych.
• Wrażliwość na wartości odstające.
• Obsługa współliniowości wielu zmiennych.

W tej lekcji:

• Nauczyli się Państwo implementować regresję liniową za pomocą scikit-learn.
• Tworzyli Państwo predykcje i wizualizowali wyniki.
• Oceniali Państwo model za pomocą współczynnika R-kwadrat.

W następnej kolejności poznamy pojęcie regresji logistycznej stosowanej w problemach klasyfikacji.