Jadwal Mata Pelajaran

Panduan Python

• Panduan Python
• Pengenalan Python
• Masuk ke Python
• Syntax Python
• Komentar Python
• Variabel Python
• Tipe Data Python
• Angka Python
• Casting Python
• String Python
• Boolean Python
• Operator Python
• Daftar Python
• Tupel Python
• Koleksi Python
• Diksi Python
• If Else Python
• Perulangan While Python
• Perulangan For Python
• Fungsi Python
• Lambda Python
• Array Python
• Kelas/Objek Python
• Penerus Python
• Iterasi Python
• Lingkungan Variabel Python
• Modul Python
• Tanggal Python
• JSON Python
• RegEx Python
• PIP Python
• Try Except Python
• Input Perintah Python
• Pemformatan String Python

Pengelolaan Berkas

• Buka Berkas Python
• Baca Berkas Python
• Penulisan/ Pembuatan Berkas Python
• Hapus Berkas Python

Python NumPy

• Pengenalan NumPy
• Masuk ke NumPy
• Membuat Array NumPy
• Indeks Array NumPy
• Potong Array NumPy
• Tipe Data NumPy
• Salinan/View Array NumPy
• Bentuk Array NumPy
• Reshape Array NumPy
• Iterasi Array NumPy
• Koneksi Array NumPy
• Pemecahan Array NumPy
• Pencarian Array NumPy
• Pengurutan Array NumPy
• Pemfilteran Array NumPy
• Acak NumPy
• ufunc NumPy

Pemeliharaan Mesin

• Memulai
• Mode Rata-Rata Median
• Standar Deviasi
• Percenilai
• Distribusi Data
• Distribusi Data Normal
• Garis Titik
• Regresi Linear
• Regresi Polinomial
• Regresi Multivariabel
• Pengukuran
• Pelatihan/Pengujian
• Pohon Keputusan

Python MySQL

• MySQL Memulai
• MySQL Membuat Database
• MySQL Membuat Tabel
• MySQL Masukkan
• MySQL Select
• MySQL Where
• MySQL Order By
• MySQL Hapus
• MySQL Hapus Tabel
• MySQL Update
• MySQL Limit
• MySQL Join

Python MongoDB

• MongoDB Memulai
• MongoDB Membuat Database
• MongoDB Membuat Koleksi
• MongoDB Masukkan
• MongoDB Temukan
• MongoDB Query
• MongoDB Sortir
• MongoDB Hapus
• MongoDB Menghapus Koleksi
• MongoDB Update
• Limit MongoDB

Panduan Referensi Python

• Ringkasan referensi Python
• Fungsi bawaan Python
• Metode string Python
• Metode daftar Python
• Metode dictionary Python
• Metode tuple Python
• Metode koleksi Python
• Metode file Python
• Kata kunci Python

Panduan referensi modul

• Modul acak
• Modul permintaan

Cara Kerja Python

• Hapus item ganda dalam daftar
• Balikkan string

Python Contoh

• Python Contoh
• Python Pembanding

Kursus pilihan

Rekomendasi Kursus:

• Kotak Pecah CodeW3C.com

Regresi Multivariabel (Multiple Regression)

Regresi multivariabel seperti regresi linear, tetapi memiliki beberapa nilai variabel bebas, yang berarti kami mencoba untuk memprediksi nilai satu dengan berdasarkan dua atau lebih variabel.

Lihat dataset di bawah ini, yang berisi beberapa informasi tentang mobil.

Kami dapat memprediksi emisi CO2 kendaraan berdasarkan volume mesin, tetapi melalui regresi multifaktor, kita dapat memasukkan variabel lebih banyak, seperti berat kendaraan, untuk membuat prediksi lebih akurat.

Prinsip kerja

Dalam Python, kita memiliki modul yang dapat melaksanakan pekerjaan ini. Pertama, import modul Pandas:

import pandas

Modul Pandas memungkinkan kita membaca berkas csv dan mengembalikan objek DataFrame.

Berkas ini hanya digunakan untuk tujuan tes, Anda dapat mengunduh di sini:cars.csv

df = pandas.read_csv("cars.csv")

Lalu daftar nilai bebas, dan namakan variabel ini X.

Letakkan nilai relevan ke dalam variabel yang dinamakan y.

X = df[['Berat', 'Volume']]
y = df['CO2']

Petunjuk:Biasanya, menamakan daftar nilai bebas dalam huruf besar Xdengan menamakan daftar nilai yang relevan dalam huruf kecil y。

Kami akan menggunakan beberapa metode dalam modul sklearn, sehingga kita harus mengimpor modul ini:

from sklearn import linear_model

Dalam modul sklearn, kita akan menggunakan LinearRegression() metode untuk membuat objek regresi linear.

Objek ini memiliki metode yang bernama fit() metode, metode ini mengambil nilai bebas dan nilai pengikut sebagai parameter, dan memenuhi objek regresi dengan data yang mendeskripsikan hubungan ini:

regr = linear_model.LinearRegression()
regr.fit(X, y)

Sekarang, kita memiliki objek regresi yang dapat memprediksi nilai CO2 berdasarkan berat dan volume kendaraan:

# Prediksi emisi CO2 kendaraan dengan berat 2300kg dan volume 1300ccm:
predictedCO2 = regr.predict([[2300, 1300]])

Contoh

Lihat contoh yang lengkap:

import pandas
from sklearn import linear_model
df = pandas.read_csv("cars.csv")
X = df[['Berat', 'Volume']]
y = df['CO2']
regr = linear_model.LinearRegression()
regr.fit(X, y)
# Prediksi emisi CO2 kendaraan dengan berat 2300kg dan volume 1300ccm:
predictedCO2 = regr.predict([[2300, 1300]])
print(predictedCO2)

Hasil:

[107.2087328]

Jalankan Contoh

Kami memperkirakan, kendaraan dengan mesin 1.3 liter, berat 2300 kilogram, setiap mengendarai 1 kilometer, akan melepaskan sekitar 107 gram gas carbon dioksida.

Koefisien

Koefisien adalah faktor yang mendeskripsikan hubungan dengan variabel tak tentu.

Contoh: jika x Adalah variabel, maka 2x Adalah x diperoleh 2 kali.x Adalah variabel tak tentu, angka 2 Adalah koefisien.

Dalam kasus ini, kita dapat meminta nilai koefisien berat terhadap CO2, serta nilai koefisien volume terhadap CO2. Jawaban yang kita dapatkan mengatakan apa yang akan terjadi jika kita tambahkan atau mengurangi salah satu nilai variabel bebas.

Contoh

Mencetak nilai koefisien objek regresi:

import pandas
from sklearn import linear_model
df = pandas.read_csv("cars.csv")
X = df[['Berat', 'Volume']]
y = df['CO2']
regr = linear_model.LinearRegression()
regr.fit(X, y)
print(regr.coef_)

Hasil:

[0.00755095 0.00780526]

Jalankan Contoh

Penjelasan hasil

Daftar hasil menunjukkan koefisien nilai berat dan volume.

Berat: 0.00755095
Volume: 0.00780526

Nilai ini mengatakan bahwa jika berat bertambah 1g, emisi CO2 akan bertambah 0.00755095g.

Jika ukuran mesin (volume) bertambah 1 ccm, emisi CO2 akan bertambah 0.00780526g.

Saya menduga ini adalah perkiraan yang masuk akal, tetapi tetap lakukan pengujian!

Kami telah memperkirakan, jika mobil dengan mesin 1300ccm berat 2300 kilogram, emisi karbon dioksida sekitar 107 gram.

Bagaimana jika berat tambahan 1000g?

Contoh

Salin contoh sebelumnya, tetapi tingkatkan berat mobil dari 2300 ke 3300:

import pandas
from sklearn import linear_model
df = pandas.read_csv("cars.csv")
X = df[['Berat', 'Volume']]
y = df['CO2']
regr = linear_model.LinearRegression()
regr.fit(X, y)
predictedCO2 = regr.predict([[3300, 1300]])
print(predictedCO2)

Hasil:

[114.75968007]

Jalankan Contoh

Kami telah memperkirakan, sebuah mobil dengan mesin 1.3 liter, berat 3.3 ton, akan melepaskan sekitar 115 gram karbon dioksida setiap kali berjalan 1 kilometer.

Ini menunjukkan bahwa koefisien 0.00755095 adalah benar:

107.2087328 + (1000 * 0.00755095) = 114.75968

Kotak Alat

Panduan Referensi Python

Python Contoh

Python Pembanding

Tautan Pemilik