การนำการถดถอยเชิงเส้นไปใช้งานในไพธอน

เมื่อคุณเข้าใจแนวคิดของการถดถอยเชิงเส้นแล้ว เรามาลองนำไปใช้งานด้วยไพธอนกัน โดยเราจะใช้ไลบรารี ไซคิต-เลิร์น ที่ได้รับความนิยมสำหรับจุดประสงค์นี้

ขั้นตอนที่ 1: การเตรียมข้อมูล

ขั้นแรก เราต้องเตรียมชุดข้อมูล สำหรับตัวอย่างนี้ เราจะใช้ชุดข้อมูลอย่างง่ายที่มีตัวแปรอิสระหนึ่งตัว (x) และตัวแปรตามหนึ่งตัว (y)

ข้อมูลมีดังนี้:

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

ขั้นตอนที่ 2: การนำเข้าไลบรารีที่จำเป็น

เราต้องนำเข้าไลบรารีต่อไปนี้:

• numpy: ใช้สำหรับการคำนวณเชิงตัวเลข
• matplotlib: ใช้สำหรับการแสดงภาพ
• scikit-learn: ใช้สำหรับอัลกอริทึมการเรียนรู้ของเครื่อง

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

ขั้นตอนที่ 3: การสร้างแบบจำลอง

เราสร้างแบบจำลองการถดถอยเชิงเส้นโดยใช้คลาส LinearRegression ของ scikit-learn แล้วปรับแบบจำลองให้เข้ากับข้อมูล

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)

ขั้นตอนที่ 4: การทำนาย

เมื่อฝึกแบบจำลองแล้ว เราสามารถใช้แบบจำลองเพื่อทำการทำนายได้ เช่น การทำนายค่าของ y เมื่อ x = 6

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

ขั้นตอนที่ 5: การแสดงภาพผลลัพธ์

เราสามารถใช้ plot แสดงจุดข้อมูลและเส้นถดถอย เพื่อดูว่าแบบจำลองปรับเข้ากับข้อมูลได้ดีเพียงใด

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()

ขั้นตอนที่ 6: การประเมินแบบจำลอง

เราประเมินประสิทธิภาพของแบบจำลองด้วยตัวชี้วัด เช่น R กำลังสอง ซึ่งวัดว่าแบบจำลองสามารถอธิบายความแปรปรวนของข้อมูลได้ดีเพียงใด

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

ความท้าทายที่พบบ่อยในการนำไปใช้งาน

ระหว่างการนำการถดถอยเชิงเส้นไปใช้งาน คุณอาจพบความท้าทาย เช่น:

• การเกิดการเรียนรู้มากเกินไปกับชุดข้อมูลขนาดเล็ก
• ความไวต่อค่าผิดปกติ
• การจัดการภาวะพหุสัมพันธ์ในตัวแปรหลายตัว

สรุปและขั้นตอนถัดไป

ในบทเรียนนี้ เราได้:

• เรียนรู้การนำการถดถอยเชิงเส้นไปใช้งานโดยใช้ scikit-learn
• ทำการทำนายและแสดงภาพผลลัพธ์
• ประเมินแบบจำลองโดยใช้ R กำลังสอง

ถัดไป เราจะสำรวจแนวคิดของการถดถอยโลจิสติกสำหรับปัญหาการจำแนกประเภท