Model Machine Learning : Polynomial Regression

Artificial Intelligence For Learning The Basics

Plot by Kirill Eremenko & Hadelin de Ponteves on Udemy

Model Polynomial Regression merupakan “special case” dari model Simple Linear Regression. Special case disini adalah model yang mengatasi hubungan data yang non linear dari Simple Linear Regression. Hubungan data yang non linear ini merupakan hubungan non linear antara variabel independen dengan variabel dependennya.

Data non linear ini bisa terjadi ketika data yang diberikan akan membentuk garis melengkung keatas seperti kurva. Cara menghitung data ini yaitu dengan menggunakan pangkat, data yang dipangkatkan merupakan data dari variabel independen.

Model Polynomial Regression ini masih termasuk ke dalam model linear walaupun data yang diberikan non linear karena pengaruh dari koefisien linear yang ada pada rumus Simple Linear Regression.

Model Polynomial Regression ini cocok digunakan untuk menangani kasus seperti memprediksi suatu data yang mempunyai level atau tingkatan, seperti memprediksi gaji seorang karyawan berdasarkan levelnya, memprediksi tingkat kekayaan seseorang berdasarkan kelasnya, dan lain – lain.

Rumus Polynomial Regression

Y = b0 + b1X1 + b2(X1)^2 + b3(X1)^3 + ….. + bn(X1)^n

Keterangan :
Y : variabel dependen (respon/prediksi)
b0 : konstanta (titik awal/intercept)
b1 : koefisien 1 (kemiringan garis prediksi)
b2 : koefisien 2 (kemiringan garis prediksi)
b3 : koefisien 3 (kemiringan garis prediksi)
bn : koefisien dari data ke-n (kemiringan garis prediksi)
X1 : variabel independen (prediktor)
(X1)^n : variabel independen berdasarkan pangkat ke-n

Rumus diatas digunakan untuk memprediksi variabel dependen (Y) dari variabel independen yang dipangkatkan dan di kalikan dengan koefisiennya, kemudian dijumlahkan semuanya.

Setelah model Polynomial dibuat berdasarkan rumus diatas, nantinya data baru akan dimasukkan dan dicocokkan berdasarkan sebarapa dekat data baru tersebut dengan data prediksi yang sudah dibuat sebelumnya. Untuk itu kita harus membuat model yang tepat, kuat dan akurat.

Kode Python Untuk Membuat Model Polynomial Regression

  • Impor Library

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

  • Impor Dataset

dataset = pd.read_csv(‘Position_Salaries.csv’)
X = dataset.iloc[:, :-1].values
y = dataset.iloc[:, -1].values

  • Training Model Polynomial Regression Terhadap Semua Datasetnya

from sklearn.preprocessing import PolynomialFeatures
poly = PolynomialFeatures(degree = 4)
X_poly = poly.fit_transform(X)
regressor = LinearRegression()
regressor.fit(X_poly, y)

  • Visualisasi Plot dari Polynomial Regression

X_grid = np.arange(min(X), max(X), 0.1)
X_grid = X_grid.reshape((len(X_grid), 1))
plt.scatter(X, y, color = ‘red’)
plt.plot(X_grid, lin_reg_2.predict(poly_reg.fit_transform(X_grid)), color = ‘blue’)
plt.title(‘Truth or Bluff (Polynomial Regression)’)
plt.xlabel(‘Position level’)
plt.ylabel(‘Salary’)
plt.show()

Plot by Kirill Eremenko & Hadelin de Ponteves on Udemy

Untuk contoh kasus dari Polynomial Regression diatas, kita ingin mengetahui apakah suatu calon karyawan yang akan bekerja pada suatu perusahaan yang baru, jujur dengan pernyataan yang diberikan oleh calon karyawan tersebut mengenai gaji yang didapatkan oleh calon karyawan tersebut dari perusahaan sebelumnya.

Setelah Anda mengetahui rumus dan kode dari Polynomial Regression, Anda bisa membuat model Polynomial Regression ini untuk memprediksi data yang mempunyai urutan/level dengan cara menggunakan pangkat seperti yang sudah dijelaskan diatas.

Bagi anda yang ingin memberikan komentar pada website ini, silahkan tulis komentar anda dengan mengisi nama dan alamat email anda. Anda dapat membaca blog kami blog kami sebelumnya tentang 7 poin yang harus dilakukan dalam analisa fundamental dan blog kami selanjutnya mengenai 3 hal yang harus Anda ketahui dalam analisa teknikal.

0 0 votes
Article Rating
0 0 votes
Article Rating
guest
2 Comments
Oldest
Newest Most Voted
Inline Feedbacks
View all comments

[…] Anda dengan mengisi nama dan alamat email Anda. Anda dapat membaca blog kami sebelumnya mengenai Polynomial Regression dan blog kami selanjutnya mengenai Support Vector […]

2
0
Would love your thoughts, please comment.x
()
x
Scroll to Top