{"id":3010,"date":"2023-07-19T15:56:18","date_gmt":"2023-07-19T15:56:18","guid":{"rendered":"https:\/\/statorials.org\/id\/ringkasan-regresi-linier-sklearn\/"},"modified":"2023-07-19T15:56:18","modified_gmt":"2023-07-19T15:56:18","slug":"ringkasan-regresi-linier-sklearn","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/ringkasan-regresi-linier-sklearn\/","title":{"rendered":"Cara mendapatkan ringkasan model regresi dari scikit-learn"},"content":{"rendered":"

<\/p>\n

\n

Seringkali Anda mungkin ingin mengekstrak ringkasan model regresi yang dibuat menggunakan scikit-learn<\/a> dengan Python.<\/span><\/p>\n

Sayangnya, scikit-learn tidak menawarkan banyak fungsi bawaan untuk menganalisis ringkasan model regresi, karena umumnya hanya digunakan untuk tujuan prediksi<\/a> .<\/span><\/p>\n

Jadi, jika Anda ingin mendapatkan ringkasan model regresi dengan Python, Anda memiliki dua opsi:<\/span><\/p>\n

1.<\/strong> Gunakan fungsi terbatas scikit-learn.<\/span><\/p>\n

2.<\/strong> Gunakan model statistik<\/a> saja.<\/span><\/p>\n

Contoh berikut menunjukkan cara menggunakan setiap metode dalam praktik dengan pandas DataFrame berikut:<\/span><\/p>\n

 import<\/span> pandas as<\/span> pd\n\n#createDataFrame\ndf = pd. DataFrame<\/span> ({' x1<\/span> ': [1, 2, 2, 4, 2, 1, 5, 4, 2, 4, 4],\n                   ' x2<\/span> ': [1, 3, 3, 5, 2, 2, 1, 1, 0, 3, 4],\n                   ' y<\/span> ': [76, 78, 85, 88, 72, 69, 94, 94, 88, 92, 90]})\n\n#view first five rows of DataFrame\n<\/span>df. head<\/span> ()\n\n       x1 x2 y\n0 1 1 76\n1 2 3 78\n2 2 3 85\n3 4 5 88\n4 2 2 72\n<\/span><\/span><\/strong><\/pre>\n
 Metode 1: Dapatkan Ringkasan Model Regresi dari Scikit-Learn<\/strong><\/span><\/h3>\n
 Kita dapat menggunakan kode berikut untuk menyesuaikan model regresi linier berganda<\/a> menggunakan scikit-learn:<\/span><\/p>\n
 from<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\n\n#initiate linear regression model\n<\/span>model = LinearRegression()\n\n#define predictor and response variables\n<\/span>x, y = df[[' x1<\/span> ', ' x2<\/span> ']], df. y<\/span>\n\n#fit regression model\n<\/span>model. fit<\/span> (x,y)\n<\/span><\/span><\/strong><\/pre>\n
 #display regression coefficients and R-squared value of model<\/span>\nprint<\/span> (model. intercept_<\/span> , model. coef_<\/span> , model. score<\/span> (X, y))\n\n70.4828205704 [5.7945 -1.1576] 0.766742556527\n<\/span><\/span><\/strong><\/pre>\n
 Dengan menggunakan keluaran ini, kita dapat menulis persamaan untuk model regresi yang sesuai:<\/span><\/p>\n
 kamu = 70,48 + 5,79x 1<\/sub> \u2013 1,16x 2<\/sub><\/span><\/p>\n
 Terlihat juga nilai R 2<\/sup> model sebesar 76,67.<\/span><\/p>\n
 Artinya 76,67%<\/strong> variasi variabel respon dapat dijelaskan oleh kedua variabel prediktor dalam model.<\/span><\/p>\n
 Metode 2: Dapatkan ringkasan model regresi dari Statsmodels<\/strong><\/span><\/h3>\n
 Jika Anda ingin mengekstrak ringkasan model regresi dengan Python, yang terbaik adalah menggunakan paket statsmodels<\/strong> .<\/span><\/p>\n
 Kode berikut menunjukkan cara menggunakan paket ini agar sesuai dengan model regresi linier berganda yang sama seperti contoh sebelumnya dan mengekstrak ringkasan model:<\/span><\/p>\n
 import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#define response variable\n<\/span>y = df[' y<\/span> ']\n\n#define predictor variables\n<\/span>x = df[[' x1<\/span> ', ' x2<\/span> ']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit linear regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()\n\n#view model summary\n<\/span>print<\/span> ( model.summary<\/span> ())\n\n                            OLS Regression Results                            \n==================================================== ============================\nDept. Variable: y R-squared: 0.767\nModel: OLS Adj. R-squared: 0.708\nMethod: Least Squares F-statistic: 13.15\nDate: Fri, 01 Apr 2022 Prob (F-statistic): 0.00296\nTime: 11:10:16 Log-Likelihood: -31.191\nNo. Comments: 11 AIC: 68.38\nDf Residuals: 8 BIC: 69.57\nDf Model: 2                                         \nCovariance Type: non-robust                                         \n==================================================== ============================\n                 coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nconst 70.4828 3.749 18.803 0.000 61.839 79.127\nx1 5.7945 1.132 5.120 0.001 3.185 8.404\nx2 -1.1576 1.065 -1.087 0.309 -3.613 1.298\n==================================================== ============================\nOmnibus: 0.198 Durbin-Watson: 1.240\nProb(Omnibus): 0.906 Jarque-Bera (JB): 0.296\nSkew: -0.242 Prob(JB): 0.862\nKurtosis: 2.359 Cond. No. 10.7\n==================================================== ============================\n<\/strong><\/span><\/pre>\n
 Perhatikan bahwa koefisien regresi dan nilai R-kuadrat cocok dengan yang dihitung oleh scikit-learn, tetapi kami juga memiliki banyak metrik lain yang berguna untuk model regresi.<\/span><\/p>\n
 Misalnya, kita dapat melihat nilai p untuk setiap variabel prediktor:<\/span><\/p>\n
 Meskipun hasil ini berguna, kita masih belum mengetahui statistik F keseluruhan<\/a> model, nilai p dari koefisien regresi individual,<\/a> dan ukuran berguna lainnya yang dapat membantu kita memahami seberapa cocok model tersebut dengan model. kumpulan data.kumpulan data.<\/span><\/p>\n
 Kita kemudian dapat menggunakan kode berikut untuk mengekstrak koefisien regresi dari model serta nilai R-kuadrat<\/a> model:<\/span><\/span><\/p>\n