Berikut merupakan cara memvisualisasikan data linear regression serta menghitung konstanta dan koefisien juga melakukan prediksi pada variable terikat menggunakan bahasa pemrograman python.
Tutorial ini merupakan lanjutan dari tutorial sebelumnya yang membahas cara melakukan perhitungan pada simple linear regression secara manual, bagi anda yang belum membaca, silahkan dibaca terlebih dahulu pada link berikut ini:
Kita mulai pemrograman dengan melakukan import module yang dibutuhkan seperti pandas untuk visualisasi dataframe, matplotlib dan seaborn untuk visualisasi grafik.
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
Kemudian data yang ada kita assign ke dalam list variable dan selanjutnya di assign juga ke dalam dictionary untuk di import ke pandas dataframe.
# Create label and data variable
cellphonelabel = ['Name','Camera','Price']
cellphonename = ['H1','H2','H3','H4','H5','H6','H7','H8']
cellphonecamera = [8,2,6,9,4,5,7,3]
cellphoneprice = [7,3,7,None,2,None,8,3]# Create data dictionary
D = {cellphonelabel[0]:cellphonename, cellphonelabel[1]:cellphonecamera, cellphonelabel[2]:cellphoneprice}
# Import data dictionary to pandas dataframe
df = pd.DataFrame(data=D)
df
Dan selanjutnya kita akan mencari Σy, (Σx²), Σx dan Σxy. Rumusnya dapat dilihat pada artikel/tutorial sebelumnya.
# Find Σy
sigmaY = sum(filter(lambda y: isinstance(y,int),cellphoneprice))# Find (Σx²), Σx and Σxy
sigmaXsquare = 0
sigmaX = 0
sigmaXY = 0
dataLength = 0
for index, val in enumerate(cellphonecamera):
if isinstance(cellphoneprice[index],int):
sigmaXsquare += val**2
sigmaX += val
sigmaXY += val*cellphoneprice[index]
dataLength +=1
sumsigmaXsquare = sigmaX**2
Menggunakan variable tersebut selanjutnya kita akan menghitung nilai konstanta a.
constantA = ((sigmaY*sigmaXsquare)-(sigmaX*sigmaXY))/((dataLength*sigmaXsquare)-sumsigmaXsquare)
round(constantA,3)
Lalu kita cari koefisien b dengan cara berikut ini.
# Find coefficient b
coeffB = ((dataLength*sigmaXY)-(sigmaX*sigmaY))/((dataLength*sigmaXsquare)-sumsigmaXsquare)
round(coeffB,3)
Kemudian kita lakukan prediksi terhadap data harga handphone H4 dan H6 menggunakan code berikut ini.
# Find missing price H4 and H6
# y = a+bx
for index,val in enumerate(cellphoneprice):
if not isinstance(val,int):
cellphoneprice[index] = round(constantA+(coeffB*cellphonecamera[index]),2)
Lalu hasil perhitungan beserta data yang ada kita visualisasikan menggunakan seaborn dan matplotlib.
# creater linear graph
sns.regplot(x = cellphonecamera, y = cellphoneprice, data=df)
plt.title('Regression of Cellphone Camera and Price')
plt.show()
Berikut grafik yang dihasilkan.
Code lengkap dapat dilihat pada link github berikut ini.
https://github.com/jeruji/machinelearningalgorithm/blob/main/simple_linear_regression.ipynb
