Misalnya, grafik berikut menunjukkan contoh peluruhan logaritmik:<\/span> <\/p>\n Untuk situasi seperti ini, hubungan antara variabel prediktor dan variabel respon<\/a> dapat dimodelkan dengan baik menggunakan regresi logaritmik.<\/span><\/p>\n Persamaan model regresi logaritma berbentuk sebagai berikut:<\/span><\/p>\n y = a + b*ln(x)<\/strong><\/span><\/p>\n Emas:<\/span><\/p>\n Contoh langkah demi langkah berikut menunjukkan cara melakukan regresi logaritmik dengan Python.<\/span><\/p>\n Pertama, mari buat data palsu untuk dua variabel: x<\/em> dan y<\/em> :<\/span><\/p>\n Berikutnya, mari buat diagram sebar singkat untuk memvisualisasikan hubungan antara x<\/em> dan y<\/em> :<\/span> <\/p>\n Dari grafik terlihat terdapat pola peluruhan logaritmik antara kedua variabel. Nilai variabel respon, y<\/em> , menurun dengan cepat pada awalnya, kemudian melambat seiring berjalannya waktu.<\/span><\/p>\n Oleh karena itu, tampaknya bijaksana untuk menggunakan persamaan regresi logaritmik untuk menggambarkan hubungan antar variabel.<\/span><\/p>\n Selanjutnya, kita akan menggunakan fungsi polyfit()<\/strong> untuk menyesuaikan model regresi logaritma, menggunakan logaritma natural x<\/em> sebagai variabel prediktor dan y<\/em> sebagai variabel respon:<\/span><\/p>\n Kita dapat menggunakan koefisien dari hasil tersebut untuk menulis persamaan regresi logaritmik yang disesuaikan berikut ini:<\/span><\/p>\n kamu = 63,0686 \u2013 20,1987 * ln(x)<\/strong><\/span><\/p>\n Kita dapat menggunakan persamaan ini untuk memprediksi variabel respon y<\/em> berdasarkan nilai variabel prediktor x<\/em> . Misalnya, jika x<\/em> = 12, maka kita prediksi y<\/em> adalah 12.87<\/strong> :<\/span><\/p>\n y = 63,0686 \u2013 20,1987 * ln(12) = 12,87<\/strong><\/span><\/p>\n Bonus:<\/strong> Jangan ragu untuk menggunakan kalkulator regresi logaritma online ini untuk secara otomatis menghitung persamaan regresi logaritma untuk variabel prediktor dan respons tertentu.<\/span><\/p>\n Panduan Lengkap Regresi Linier dengan Python<\/a> Regresi logaritmik adalah jenis regresi yang digunakan untuk memodelkan situasi di mana pertumbuhan atau penurunan pada awalnya meningkat dengan cepat dan kemudian melambat seiring berjalannya waktu. Misalnya, grafik berikut menunjukkan contoh peluruhan logaritmik: Untuk situasi seperti ini, hubungan antara variabel prediktor dan variabel respon dapat dimodelkan dengan baik menggunakan regresi logaritmik. Persamaan model regresi logaritma […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/expregexcel2.png\")
<\/p>\n\n
Langkah 1: Buat datanya<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nx = np. arange<\/span> (1, 16, 1)\ny = np. array<\/span> ([59, 50, 44, 38, 33, 28, 23, 20, 17, 15, 13, 12, 11, 10, 9.5])\n<\/strong><\/pre>\n Langkah 2: Visualisasikan datanya<\/strong><\/h3>\n
import<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n\nplt. scatter<\/span> (x,y)\nplt. show<\/span> ()<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/logpython1.png\")
<\/p>\n Langkah 3: Sesuaikan model regresi logaritma<\/strong><\/span><\/h3>\n
#fit the model<\/span>\nfit = np. polyfit<\/span> (np. log<\/span> (x), y, 1)\n<\/strong>\n#view the output of the model<\/span>\nprint(fit)\n\n[-20.19869943 63.06859979]\n<\/strong><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara Melakukan Regresi Eksponensial dengan Python<\/a>
Cara Melakukan Regresi Logistik dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"