Metode kuadrat terkecil<\/strong> adalah metode yang dapat kita gunakan untuk mencari garis regresi yang paling sesuai dengan kumpulan data tertentu.<\/span><\/p>\n Kita dapat menggunakan fungsi linalg.lstsq(<\/strong> ) di NumPy untuk melakukan penyesuaian kuadrat terkecil.<\/span><\/p>\n Contoh langkah demi langkah berikut menunjukkan cara menggunakan fungsi ini dalam praktiknya.<\/span><\/p>\n Mari kita mulai dengan membuat array NumPy berikut:<\/span><\/p>\n Kita dapat menggunakan kode berikut untuk melakukan pencocokan kuadrat terkecil dan menemukan baris yang paling “sesuai” dengan data:<\/span><\/p>\n Hasilnya adalah tabel yang berisi nilai kemiringan<\/strong> dan intersep<\/strong> dari garis yang paling sesuai.<\/span><\/span><\/p>\n Dari hasilnya kita dapat melihat:<\/span><\/p>\n Dengan menggunakan kedua nilai ini, kita dapat menulis persamaan garis yang paling sesuai:<\/span><\/p>\n \u0177 = 7,767 + 0,969x<\/span><\/p>\n Berikut cara menafsirkan garis yang paling sesuai:<\/span><\/p>\n Kita juga dapat menggunakan garis yang paling sesuai untuk memprediksi nilai y berdasarkan nilai x.<\/span><\/p>\n Misalnya, jika xa bernilai 10 maka kita prediksi nilai y adalah 17.457<\/strong> :<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di NumPy:<\/span><\/p>\n Cara menghapus elemen tertentu dari array NumPy<\/a> Metode kuadrat terkecil adalah metode yang dapat kita gunakan untuk mencari garis regresi yang paling sesuai dengan kumpulan data tertentu. Kita dapat menggunakan fungsi linalg.lstsq( ) di NumPy untuk melakukan penyesuaian kuadrat terkecil. Contoh langkah demi langkah berikut menunjukkan cara menggunakan fungsi ini dalam praktiknya. Langkah 1: Masukkan nilai X dan Y Mari kita mulai […]<\/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 Langkah 1: Masukkan nilai X dan Y<\/strong><\/span><\/h2>\n
import<\/span> numpy as<\/span> np\n\n#define x and y arrays\n<\/span>x = np. array<\/span> ([6, 7, 7, 8, 12, 14, 15, 16, 16, 19])\n\ny = np. array<\/span> ([14, 15, 15, 17, 18, 18, 19, 24, 25, 29])\n<\/strong><\/pre>\n Langkah 2: Lakukan penyesuaian kuadrat terkecil<\/strong><\/span><\/h2>\n
#perform least squares fitting\n<\/span>n.p. linalg<\/span> . lstsq<\/span> (np. vstack<\/span> ([x, np. ones<\/span> ( len<\/span> (x))]). T<\/span> , y, rcond= None<\/span> )[ 0<\/span> ]\n\narray([0.96938776, 7.76734694])\n<\/strong><\/pre>\n\n
Langkah 3: Interpretasikan hasilnya<\/strong><\/span><\/h2>\n
\n
\n
Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara mendapatkan indeks nilai maksimum dalam array NumPy<\/a>
Cara mengisi array NumPy dengan nilai<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"