Kuadrat terkecil mencari koefisien fungsi yang paling pas terhadap pasangan observasi (x_i, y_i)
dengan meminimalkan jumlah kuadrat residual. Kita fokus pada kasus paling sederhana, garis lurus y = wx + b
, dan meninjau intuisi serta implementasi praktisnya.
Rumus ditampilkan dengan KaTeX. $\hat y$
adalah prediksi model dan $\epsilon$
adalah noise.
Tujuan #
- Mempelajari garis
$\hat y = wx + b$
yang paling pas dengan data. - “Paling pas” berarti meminimalkan jumlah kuadrat error (SSE):
$\displaystyle L(w,b) = \sum_{i=1}^n (y_i - (w x_i + b))^2$
Buat dataset sederhana #
Kita buat garis lurus dengan noise dan tetapkan seed agar hasil dapat direproduksi.
import numpy as np
import matplotlib.pyplot as plt
import japanize_matplotlib # opsional untuk label Jepang
rng = np.random.RandomState(42)
n_samples = 200
# Garis sebenarnya (kemiringan 0.8, intersep 0.5) dengan noise
X = np.linspace(-10, 10, n_samples)
epsilon = rng.normal(loc=0.0, scale=1.0, size=n_samples)
y = 0.8 * X + 0.5 + epsilon
# Ubah ke 2D untuk scikit-learn: (n_samples, 1)
X_2d = X.reshape(-1, 1)
plt.figure(figsize=(10, 5))
plt.scatter(X, y, marker="x", label="observasi", c="orange")
plt.xlabel("$x$")
plt.ylabel("$y$")
plt.legend()
plt.show()
Di scikit-learn, fitur selalu berbentuk array 2D: baris = sampel, kolom = fitur. Gunakan X.reshape(-1, 1)
untuk satu fitur.
Periksa noise #
Mari lihat distribusi epsilon
.
plt.figure(figsize=(10, 5))
plt.hist(epsilon, bins=30)
plt.xlabel("$\\epsilon$")
plt.ylabel("jumlah")
plt.show()
Regresi linear (kuadrat terkecil) dengan scikit-learn #
Kita gunakan sklearn.linear_model.LinearRegression.
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
model = LinearRegression() # fit_intercept=True secara default
model.fit(X_2d, y)
print("kemiringan w:", model.coef_[0])
print("intersep b:", model.intercept_)
y_pred = model.predict(X_2d)
# Metrik
mse = mean_squared_error(y, y_pred)
r2 = r2_score(y, y_pred)
print("MSE:", mse)
print("R^2:", r2)
# Plot
plt.figure(figsize=(10, 5))
plt.scatter(X, y, marker="x", label="observasi", c="orange")
plt.plot(X, y_pred, label="garis terpasang", c="C0")
plt.xlabel("$x$")
plt.ylabel("$y$")
plt.legend()
plt.show()
Penskalaan tidak wajib untuk OLS, tetapi membantu pada kasus multivariat dan regularisasi.
Solusi bentuk tertutup (referensi) #
Untuk $\hat y = wx + b$
:
$\displaystyle w = \frac{\operatorname{Cov}(x,y)}{\operatorname{Var}(x)}$
$\displaystyle b = \bar y - w,\bar x$
Verifikasi dengan NumPy:
x_mean, y_mean = X.mean(), y.mean()
w_hat = ((X - x_mean) * (y - y_mean)).sum() / ((X - x_mean) ** 2).sum()
b_hat = y_mean - w_hat * x_mean
print(w_hat, b_hat)
Jebakan umum #
- Bentuk array:
X
harus(n_samples, n_features)
. Untuk satu fitur, gunakanreshape(-1, 1)
. - Bentuk target:
y
bisa(n_samples,)
.(n,1)
juga berfungsi; perhatikan broadcasting. - Intersep: default
fit_intercept=True
. Jika fitur dan target sudah dicenter,False
juga baik. - Reproducibility: gunakan seed tetap via
np.random.RandomState
ataunp.random.default_rng
.
Lanjut (multivariat) #
Untuk banyak fitur, pertahankan X
sebagai (n_samples, n_features)
. Pipeline memadukan pra-pemrosesan dan estimator.
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
X_multi = rng.normal(size=(n_samples, 2))
y_multi = 1.0 * X_multi[:, 0] - 2.0 * X_multi[:, 1] + 0.3 + rng.normal(size=n_samples)
pipe = make_pipeline(StandardScaler(), LinearRegression())
pipe.fit(X_multi, y_multi)
Kode untuk pembelajaran; gambar sudah dirender sebelumnya untuk situs.