Tutorial ini menjelaskan cara melakukan regresi kubik dengan Python.<\/span><\/p>\n Misalkan kita memiliki panda DataFrame berikut yang berisi dua variabel (x dan y):<\/span><\/p>\n Jika kita membuat diagram sebar sederhana dari data ini, kita dapat melihat bahwa hubungan antara kedua variabel adalah non-linier:<\/span> <\/p>\n Ketika nilai x meningkat, y meningkat hingga titik tertentu, lalu menurun, lalu meningkat lagi.<\/span><\/p>\n Pola dengan dua “kurva” pada plot ini merupakan indikasi hubungan kubik antara kedua variabel.<\/span><\/p>\n Artinya model regresi kubik merupakan kandidat yang baik untuk mengukur hubungan antara kedua variabel.<\/span><\/p>\n Untuk melakukan regresi kubik, kita dapat menyesuaikan model regresi polinomial dengan derajat 3 menggunakan fungsi<\/span> numpy.polyfit()<\/a> :<\/span> <\/p>\n Kita dapat memperoleh persamaan regresi kubik dengan mencetak koefisien model:<\/span><\/p>\n Persamaan regresi kubik yang pas adalah:<\/span><\/p>\n kamu = 0,003302(x) 3<\/sup> \u2013 0,3214(x) 2<\/sup> + 9,832x \u2013 30,01<\/strong><\/span><\/p>\n Kita dapat menggunakan persamaan ini untuk menghitung nilai ekspektasi y berdasarkan nilai x.<\/span><\/p>\n Misalnya, jika x adalah 30, maka nilai yang diharapkan untuk y adalah 64,844:<\/span><\/p>\n kamu = 0,003302(30) 3<\/sup> \u2013 0,3214(30) 2<\/sup> + 9,832(30) \u2013 30,01 = 64,844<\/span><\/p>\n Kita juga dapat menuliskan fungsi singkat untuk mendapatkan R-squared model, yaitu proporsi varians variabel respon yang dapat dijelaskan oleh variabel prediktor.<\/span><\/p>\n Dalam contoh ini, R kuadrat model adalah 0,9632<\/strong> .<\/span><\/p>\n Artinya 96,32% variasi variabel respon dapat dijelaskan oleh variabel prediktor.<\/span><\/p>\n Karena nilai ini sangat tinggi, hal ini menunjukkan bahwa model regresi kubik dapat mengkuantifikasi hubungan antara kedua variabel dengan baik.<\/span><\/p>\n Terkait:<\/strong> Berapa nilai R-kuadrat yang bagus?<\/a><\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya dengan Python:<\/span><\/p>\n Cara melakukan regresi linier sederhana dengan Python<\/a> Regresi kubik merupakan salah satu jenis regresi yang dapat kita gunakan untuk mengukur hubungan antara variabel prediktor dan variabel respon jika hubungan antar variabel bersifat nonlinier. Tutorial ini menjelaskan cara melakukan regresi kubik dengan Python. Contoh: regresi kubik dengan Python Misalkan kita memiliki panda DataFrame berikut yang berisi dua variabel (x dan y): import pandas […]<\/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 Contoh: regresi kubik dengan Python<\/span><\/strong><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' x<\/span> ': [6, 9, 12, 16, 22, 28, 33, 40, 47, 51, 55, 60],\n ' y<\/span> ': [14, 28, 50, 64, 67, 57, 55, 57, 68, 74, 88, 110]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n xy\n0 6 14\n1 9 28\n2 12 50\n3 16 64\n4 22 67\n5 28 57\n6 33 55\n7 40 57\n8 47 68\n9 51 74\n10 55 88\n11 60 110\n<\/strong><\/pre>\n import matplotlib. pyplot<\/span><\/span> as plt<\/span>\n\n#create scatterplot\n<\/span>plt. scatter<\/span> (df. x<\/span> , df. y<\/span> )<\/span><\/span><\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/cubique1.jpg\")
<\/p>\n import<\/span> numpy as<\/span> np\n\n#fit cubic regression model\n<\/span>model = np. poly1d<\/span> (np. polyfit<\/span> (df. x<\/span> , df. y<\/span> , 3))<\/span>\n\n#add fitted cubic regression line to scatterplot\n<\/span>polyline = np. linspace<\/span> (1, 60, 50)\nplt. scatter<\/span> (df. x<\/span> , df. y<\/span> )\nplt. plot<\/span> (polyline, model(polyline))\n\n#add axis labels\n<\/span>plt. xlabel<\/span> (' x<\/span> ')\nplt. ylabel<\/span> (' y<\/span> ')\n\n#displayplot\n<\/span>plt. show<\/span> ()<\/strong> <\/pre>\n![\"regresi](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/cubique2.jpg\")
<\/p>\n print<\/span> (model)\n\n 3 2\n0.003302x - 0.3214x + 9.832x - 32.01\n<\/strong><\/pre>\n #define function to calculate r-squared<\/span>\ndef<\/span> polyfit(x, y, degree):\n results = {}\n coeffs = np. polyfit<\/span> (x, y, degree)\n p = np. poly1d<\/span> (coeffs)\n #calculate r-squared<\/span>\n yhat = p(x)\n ybar = np. sum<\/span> (y)\/len(y)\n ssreg = np. sum<\/span> ((yhat-ybar) **<\/span> 2)\n sstot = np. sum<\/span> ((y - ybar) **<\/span> 2)\n results[' r_squared<\/span> '] = ssreg \/ sstot\n\n return<\/span> results\n\n#find r-squared of polynomial model with degree = 3\n<\/span>polyfit(df. x<\/span> , df. y<\/span> , 3)\n\n{'r_squared': 0.9632469890057967}\n<\/strong><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara melakukan regresi kuadrat dengan Python<\/a>
Cara melakukan regresi polinomial dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"