Artinya, semakin besar variabel prediktor maka variabel respon cenderung meningkat, namun setelah suatu titik tertentu variabel respon mulai menurun seiring dengan meningkatnya variabel prediktor.<\/span><\/p>\n Tutorial ini menjelaskan cara melakukan regresi kuadrat dengan Python.<\/span><\/p>\n Misalkan kita memiliki data jumlah jam kerja per minggu dan tingkat kebahagiaan yang dilaporkan (dalam skala 0 hingga 100) untuk 16 orang berbeda:<\/span><\/p>\n Jika kita membuat plot sebar sederhana dari data ini, kita dapat melihat bahwa hubungan antara kedua variabel berbentuk \u201cU\u201d:<\/span> <\/p>\n Ketika jam kerja bertambah, kebahagiaan juga meningkat, namun ketika jam kerja melebihi 35 jam per minggu, kebahagiaan mulai menurun.<\/span><\/p>\n Karena bentuknya yang \u201cU\u201d, ini berarti regresi kuadratik kemungkinan besar merupakan kandidat yang baik untuk mengukur hubungan antara kedua variabel.<\/span><\/p>\n Untuk benar-benar melakukan regresi kuadrat, kita dapat menyesuaikan model regresi polinomial dengan derajat 2 menggunakan<\/span> fungsi<\/span> numpy.polyfit()<\/a> : <\/p>\n Kita dapat memperoleh persamaan regresi polinomial yang sesuai dengan mencetak koefisien model:<\/span><\/p>\n Persamaan regresi kuadratik yang dipasang adalah:<\/span><\/p>\n Kebahagiaan = -0,107(jam) 2<\/sup> + 7,173(jam) \u2013 30,25<\/strong><\/span><\/p>\n Kita dapat menggunakan persamaan ini untuk menghitung tingkat kebahagiaan yang diharapkan seseorang berdasarkan jam kerja mereka. Misalnya tingkat kebahagiaan yang diharapkan dari seseorang yang bekerja 30 jam per minggu adalah:<\/span><\/p>\n Kebahagiaan = -0,107(30) 2<\/sup> + 7,173(30) \u2013 30,25 = 88,64<\/strong> .<\/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 0,9092<\/strong> .<\/span><\/p>\n Artinya 90,92% variasi tingkat kebahagiaan yang dilaporkan dapat dijelaskan oleh variabel prediktor.<\/span><\/p>\n Cara melakukan regresi polinomial dengan Python<\/a> Regresi kuadrat adalah jenis regresi yang dapat kita gunakan untuk mengukur hubungan antara variabel prediktor dan variabel respons jika hubungan sebenarnya berbentuk kuadrat, yang mungkin terlihat seperti “U” atau “U” terbalik pada grafik. Artinya, semakin besar variabel prediktor maka variabel respon cenderung meningkat, namun setelah suatu titik tertentu variabel respon mulai menurun seiring dengan meningkatnya […]<\/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 Kuadrat dengan Python<\/span><\/strong><\/h2>\n
import<\/span> numpy as<\/span> np\nimport<\/span> scipy.stats as<\/span> stats\n\n#define variables<\/span>\nhours = [6, 9, 12, 12, 15, 21, 24, 24, 27, 30, 36, 39, 45, 48, 57, 60]\nhapp = [12, 18, 30, 42, 48, 78, 90, 96, 96, 90, 84, 78, 66, 54, 36, 24]<\/strong><\/pre>\n import matplotlib.pyplot<\/span> as plt<\/span>\n\n#create scatterplot\n<\/span>plt.scatter(hours, happ)<\/span><\/span><\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quadregpython1.png\")
<\/p>\n import<\/span> numpy as<\/span> np\n\n#polynomial fit with degree = 2\n<\/span>model = np.poly1d(np.polyfit(hours, happ, 2))\n\n#add fitted polynomial line to scatterplot\n<\/span>polyline = np.linspace(1, 60, 50)\nplt.scatter(hours, happ)\nplt.plot(polyline, model(polyline))\nplt.show()<\/strong> <\/pre>\n![\"Regresi](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quadregpython2.png\")
<\/p>\n print<\/span> (model)\n\n-0.107x 2<\/sup> + 7.173x - 30.25\n<\/strong><\/pre>\n #define function to calculate r-squared<\/span>\ndef<\/span> polyfit(x, y, degree):\n results = {}\n coeffs = np.polyfit(x, y, degree)\n p = np.poly1d(coeffs)\n #calculate r-squared<\/span>\n yhat = p(x)\n ybar = np.sum(y)\/len(y)\n ssreg = np.sum((yhat-ybar)**2)\n sstot = np.sum((y - ybar)**2)\n results['r_squared'] = ssreg \/ sstot\n\n return<\/span> results\n\n#find r-squared of polynomial model with degree = 3\n<\/span>polyfit(hours, happ, 2)\n\n{'r_squared': 0.9092114182131691}\n<\/strong><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h2>\n
Bagaimana melakukan regresi kuadrat di R<\/a>
Cara melakukan regresi kuadrat di Excel<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"