การนำ LinearRegression มาใช้ใน Python

เมื่อคุณเข้าใจแนวคิดของ LinearRegression แล้ว มาลองนำมาใช้ด้วย Python กัน เราจะใช้ไลบรารียอดนิยมอย่าง scikit-learn สำหรับงานนี้

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: สำหรับการคำนวณเชิงตัวเลข
• matplotlib: สำหรับการแสดงภาพ
• scikit-learn: สำหรับอัลกอริทึมการเรียนรู้ของเครื่อง

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

ขั้นตอนที่ 3: การสร้างแบบจำลอง

เราสร้างแบบจำลอง LinearRegression โดยใช้คลาส 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 เราสามารถใช้แบบจำลองเพื่อทำนายค่าได้ ตัวอย่างเช่น การทำนายค่าของ y เมื่อ x = 6

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

ขั้นตอนที่ 5: การแสดงผลลัพธ์ด้วยภาพ

เราสามารถสร้างกราฟจุดข้อมูลและเส้นถดถอย เพื่อดูว่าแบบจำลองเข้ากับข้อมูลได้ดีเพียงใด

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

เราประเมินประสิทธิภาพของแบบจำลองโดยใช้ตัวชี้วัด เช่น R-squared ซึ่งใช้วัดว่าแบบจำลองอธิบายความแปรปรวนของข้อมูลได้ดีเพียงใด

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

ขณะนำ LinearRegression มาใช้งาน คุณอาจพบความท้าทาย เช่น:

• การเกิดโอเวอร์ฟิตกับชุดข้อมูลขนาดเล็ก
• ความไวต่อค่าผิดปกติ
• การจัดการภาวะพหุสหสัมพันธ์ในกรณีที่มีตัวแปรหลายตัว

ในบทเรียนนี้ เราได้:

• เรียนรู้การนำ LinearRegression มาใช้ด้วย scikit-learn
• สร้างการทำนายและแสดงผลลัพธ์ด้วยภาพ
• ประเมินแบบจำลองโดยใช้ R-squared

ต่อไป เราจะสำรวจแนวคิดของการถดถอยโลจิสติกสำหรับปัญหาการจำแนกประเภท