Materi
Regresi linear menebak label angka sebagai jumlah berbobot dari fitur: y = b0 + b1·x1 + b2·x2 + …. User Guide scikit-learn menyebut metodenya Ordinary Least Squares: bobot dipilih sehingga jumlah kuadrat selisih antara nilai sebenarnya dan tebakan sekecil mungkin.
Setelah fit, LinearRegression menyimpan bobot setiap fitur di atribut coef_ (satu angka per fitur, urut sesuai kolom X) dan titik potongnya di intercept_. Bobot 0,05 pada fitur luas berarti setiap tambahan 1 m² menaikkan tebakan sebesar 0,05 satuan label, bila fitur lain tetap. Atribut yang diakhiri garis bawah hanya ada setelah fit.
from sklearn.linear_model import LinearRegression
# jarak (km) -> ongkos kirim (ribu rupiah)
jarak = [[2], [5], [8], [12]]
ongkir = [9, 15, 21, 29]
model = LinearRegression().fit(jarak, ongkir)
print(model.coef_, model.intercept_) # [2.] 5.0
print(model.predict([[10]])) # [25.]fit mengembalikan objek model itu sendiri, jadi pembuatan dan pelatihan bisa ditulis dalam satu baris. predict mengembalikan array numpy, satu tebakan untuk setiap baris yang diberikan.
