Lompat ke konten utama
Kelas
Machine Learning Dasar dengan PythonPelajaran 5 dari 16 · Modul 2, Regresi: menebak angka

Modul 2 · Regresi: menebak angka

Regresi linear: garis terbaik dan prediksi

Setelah pelajaran ini kamu bisa melatih LinearRegression, membaca coef_ dan intercept_, dan memprediksi data baru.

  • ±13 menit
  • 3 latihan
  • Diperiksa 27 Sep 2026

Latihan di pelajaran ini butuh akun gratis. Progres, kode, dan catatanmu hanya tersimpan di browser ini. Masuk untuk menyimpannya

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.

Latihan

Jawaban diperiksa di server. Lulus berarti kamu memahami contohnya, bukan penilaian seluruh pekerjaanmu.

Latihan 2 dari 3

Model regresi harga sewa punya intercept_ 1,2 dan coef_ [0,05] untuk fitur luas (m²). Berapa juta rupiah tebakan harga sewa untuk rumah seluas 45 m²?

Catatanmu

Memuat catatan…

tersimpan otomatis, ikut tercetak · 0/4.000

Lanjutkan ke

Tampilkan 2 lagi