Implementando a regressão linear em Python

Agora que você compreende o conceito de regressão linear, vamos implementá-la usando Python. Para isso, usaremos a popular biblioteca scikit-learn.

Etapa 1: Preparação dos dados

Primeiro, precisamos preparar um conjunto de dados. Neste exemplo, usaremos um conjunto simples com uma variável independente (x) e uma variável dependente (y).

Veja os dados:

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

Etapa 2: Importação das bibliotecas necessárias

Precisamos importar as seguintes bibliotecas:

• numpy: para cálculos numéricos.
• matplotlib: para visualizações.
• scikit-learn: para algoritmos de aprendizado de máquina.

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

Etapa 3: Criação do modelo

Criamos um modelo de regressão linear usando a classe LinearRegression do scikit-learn e o ajustamos aos dados.

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)

Etapa 4: Fazendo previsões

Depois que o modelo é treinado, podemos usá-lo para fazer previsões. Por exemplo, podemos prever o valor de y quando x = 6.

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

Etapa 5: Visualização dos resultados

Podemos usar plot para representar os pontos dos dados e a reta de regressão e visualizar o quanto o modelo se ajusta aos dados.

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()

Etapa 6: Avaliação do modelo

Avaliamos o desempenho do modelo usando métricas como o R ao quadrado. Essa métrica indica o quanto o modelo explica a variabilidade dos dados.

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

Desafios comuns na implementação

Ao implementar a regressão linear, você pode enfrentar desafios como:

• Sobreajuste com conjuntos de dados pequenos.
• Sensibilidade a valores atípicos.
• Lidar com multicolinearidade em várias variáveis.

Resumo e próximos passos

Nesta lição, nós:

• Aprendemos a implementar a regressão linear usando scikit-learn.
• Fizemos previsões e visualizamos os resultados.
• Avaliamos o modelo usando o R ao quadrado.

Em seguida, exploraremos o conceito de regressão logística para problemas de classificação.