Jenis regresi ini berbentuk:<\/span><\/p>\n Y = \u03b2 0<\/sub> +<\/sup> \u03b2 1<\/sub> X + \u03b2 2<\/sub> X 2<\/sup> + \u2026 + \u03b2 h<\/sub><\/span><\/p>\n di mana h<\/em> adalah \u201cderajat\u201d polinomial.<\/span><\/p>\n Contoh langkah demi langkah berikut menunjukkan cara melakukan regresi polinomial dengan Python menggunakan sklearn.<\/span><\/p>\n Pertama, mari buat dua array NumPy untuk menampung nilai prediktor dan variabel respons:<\/span> <\/p>\n Dari scatterplot terlihat bahwa hubungan antara x dan y tidak linier.<\/span><\/p>\n Oleh karena itu, sebaiknya sesuaikan model regresi polinomial dengan data untuk menangkap hubungan non-linier antara kedua variabel.<\/span><\/p>\n Kode berikut menunjukkan cara menggunakan fungsi sklearn agar sesuai dengan model regresi polinomial derajat 3 ke kumpulan data ini:<\/span><\/p>\n Dengan menggunakan koefisien model yang ditunjukkan pada baris terakhir, kita dapat menulis persamaan regresi polinomial yang sesuai sebagai berikut:<\/span><\/p>\n kamu = -0,109x 3<\/sup> + 2,256x 2<\/sup> \u2013 11,839x + 33,626<\/span><\/p>\n Persamaan ini dapat digunakan untuk mencari nilai yang diharapkan dari variabel respon dengan nilai tertentu dari variabel prediksi.<\/span><\/p>\n Misalnya, jika x adalah 4, nilai yang diharapkan untuk variabel respons, y, adalah 15,39:<\/span><\/p>\n kamu = -0,109(4) 3<\/sup> + 2,256(4) 2<\/sup> \u2013 11,839(4) + 33,626= 15,39<\/span><\/p>\n Catatan<\/strong> : Untuk menyesuaikan model regresi polinomial dengan derajat berbeda, cukup ubah nilai argumen derajat<\/strong> di fungsi PolynomialFeatures()<\/strong> .<\/span><\/p>\n Terakhir, kita dapat membuat plot sederhana untuk memvisualisasikan model regresi polinomial yang disesuaikan dengan titik data asli:<\/span><\/span> <\/p>\n Dari grafik tersebut, kita dapat melihat bahwa model regresi polinomial tampaknya cocok dengan data tanpa overfitting<\/a> .<\/span><\/p>\n Catatan<\/strong> : Anda dapat menemukan dokumentasi lengkap untuk fungsi sklearn PolynomialFeatures()<\/strong> di sini<\/a> .<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya menggunakan sklearn:<\/span><\/p>\n Cara mengekstrak koefisien regresi dari sklearn<\/a> Regresi polinomial adalah teknik yang dapat kita gunakan ketika hubungan antara variabel prediktor dan variabel respon bersifat nonlinier. Jenis regresi ini berbentuk: Y = \u03b2 0 + \u03b2 1 X + \u03b2 2 X 2 + \u2026 + \u03b2 h di mana h adalah \u201cderajat\u201d polinomial. Contoh langkah demi langkah berikut menunjukkan cara melakukan regresi […]<\/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: Buat datanya<\/strong><\/span><\/h2>\n
import<\/span> matplotlib. pyplot<\/span> as<\/span> plt\nimport<\/span> numpy as<\/span> np\n\n#define predictor and response variables\n<\/span>x = np. array<\/span> ([2, 3, 4, 5, 6, 7, 7, 8, 9, 11, 12])\ny = np. array<\/span> ([18, 16, 15, 17, 20, 23, 25, 28, 31, 30, 29])\n\n#create scatterplot to visualize relationship between x and y\n<\/span>plt. scatter<\/span> (x,y)\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/polysk1.png\")
<\/p>\n Langkah 2: Sesuaikan model regresi polinomial<\/strong><\/span><\/h2>\n
from<\/span> sklearn. preprocessing<\/span> import<\/span> PolynomialFeatures\nfrom<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\n\n#specify degree of 3 for polynomial regression model\n#include bias=False means don't force y-intercept to equal zero<\/span>\npoly = PolynomialFeatures(degree= 3<\/span> , include_bias= False<\/span> )\n\n#reshape data to work properly with sklearn\n<\/span>poly_features = poly. fit_transform<\/span> ( x.reshape<\/span> (-1, 1))\n\n#fit polynomial regression model\n<\/span>poly_reg_model = LinearRegression()\npoly_reg_model. fit<\/span> (poly_features,y)\n\n#display model coefficients\n<\/span>print<\/span> (poly_reg_model. intercept_<\/span> , poly_reg_model. coef_<\/span> )\n\n33.62640037532282 [-11.83877127 2.25592957 -0.10889554]\n<\/strong><\/span><\/pre>\n Langkah 3: Visualisasikan model regresi polinomial<\/span><\/strong><\/h2>\n
#use model to make predictions on response variable\n<\/span>y_predicted = poly_reg_model. predict<\/span> (poly_features)\n\n#create scatterplot of x vs. y\n<\/span>plt. scatter<\/span> (x,y)\n\n#add line to show fitted polynomial regression model\n<\/span>plt. plot<\/span> (x,y_predicted,color=' purple<\/span> ')\n<\/strong><\/span><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/polysk2.png\")
<\/p>\n Sumber daya tambahan<\/span><\/strong><\/span><\/h2>\n
Cara menghitung presisi seimbang menggunakan sklearn<\/a>
Bagaimana menafsirkan laporan klasifikasi di Sklearn<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"