Modul 07 Simple Linear Regression

June 12, 2022

1 Simple Linear Regression

• Pada tutorial kali ini, kita akan menggunakan sebuah dataset yang memiliki 2 features, yaitu
horsepower dan price dari sebuah mobil
• Tujuan dari tutorial ini adalah memprediksi harga mobil jika mobil tersebut mempunyai
horsepower sebesar 100, 150, dan 200
• Hipotesis awal : mobil dengan horsepower lebih tinggi harganya lebih mahal jika dibandingkan
dengan yang horsepowernya lebih rendah.

1.0.1 Load library

[1]: import pandas as pd

import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

1.0.2 Load datasets

[2]: #Nama dataframe kita adalah df yang berisi data dari data.csv
#Hanya menggunakan kolom horsepower dan price
df = pd.read_csv('data.csv', usecols=['horsepower', 'price'])

1.0.3 Sneak peak data

[3]: #Melihat 5 baris teratas dari data

#Independent variabel(x) adalah horsepower
#Dependent variabel(y) adalah price
df.head()

[3]: horsepower price

0 111.0 13495.0
1 111.0 16500.0
2 154.0 16500.0
3 102.0 13950.0
4 115.0 17450.0

1
[4]: #Mengetahui jumlah kolom dan baris dari data
#Data kita mempunya 2 kolom dengan 200 baris
df.shape

[4]: (200, 2)

[6]: #Melihat informasi data kita mulai dari jumlah data, tipe data, memory yang␣
,→digunakan dll.

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 200 entries, 0 to 199
Data columns (total 2 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 horsepower 200 non-null float64
1 price 200 non-null float64
dtypes: float64(2)
memory usage: 3.2 KB

[7]: #Melihat statistical description dari data mulai dari mean, kuartil, standard␣
,→deviation dll

df.describe()

[7]: horsepower price

count 200.000000 200.000000
mean 103.320000 13230.375000
std 37.468615 7960.155239
min 48.000000 5118.000000
25% 70.000000 7775.000000
50% 95.000000 10320.000000
75% 116.000000 16500.750000
max 262.000000 45400.000000

1.0.4 Handling Missing Values

[31]: #Mencari dan menangani missing values

#Ternyata data kita tidak ada missing values
df.isnull().sum()

[31]: horsepower 0
price 0
dtype: int64

2
 1.0.5 Exploratory Data Analysis (EDA)

[8]: #Univariate analysis horsepower

#Melihat distribusi dari horsepower
f = plt.figure(figsize=(12,4))

f.add_subplot(1,2,1)
df['horsepower'].plot(kind='kde')

f.add_subplot(1,2,2)
plt.boxplot(df['horsepower'])
plt.show()

• Dapat dilihat bahwa density dari horsepower paling tinggi di nilai 100.
• Distribusinya hampir mirip dengan distribusi normal namun persebaran data kurang merata
(memiliki standard deviasi yang tinggi).

[69]: #Univariate analysis price

#Melihat distribusi dari price
f = plt.figure(figsize=(12,4))

f.add_subplot(1,2,1)
df['price'].plot(kind='kde', c='g')

f.add_subplot(1,2,2)
plt.boxplot(df['price'])
plt.show()

3
 • Density dari price paling tinggi di nilai 10000.
• Distribusinya hampir mirip dengan distribusi normal namun persebaran data kurang merata
(memiliki standard deviasi yang tinggi).

[34]: #Bivariate analysis horsepower dan price

#Menggunakan scatter plot
plt.scatter(df['horsepower'], df['price'])
plt.xlabel('Horsepower')
plt.ylabel('Price')
plt.title('Scatter Plot Horsepower vs Price')
plt.show()

4
 • Dari scatter plot dapat dilihat bahwa data memiliki korelasi positif yang cukup signifikan.
• Hal ini berarti dengan bertambahnya nilai dari horsepower maka nilai price pun akan bertam-
bah
[35]: #Mengetahui nilai korelasi dari horsepower dan price
#Nilai korelasinya adalah 0.81 termasuk kategori sangat tinggi
df.corr()

[35]: horsepower price

horsepower 1.000000 0.811097
price 0.811097 1.000000

• Setelah kita tahu tentang karakteristik data kita, bisa dilanjutkan ke tahap modelling

1.0.6 Modelling

[36]: #Recall data kita

df.head()

[36]: horsepower price

0 111.0 13495.0
1 111.0 16500.0
2 154.0 16500.0
3 102.0 13950.0
4 115.0 17450.0

[9]: #Pertama, buat variabel x dan y

x = df['horsepower'].values.reshape(-1,1)
y = df['price'].values.reshape(-1,1)

[10]: #Kedua, kita split data kita menjadi training and testing dengan porsi 80:20
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2)

[11]: #Ketiga, kita bikin object linear regresi

lin_reg = LinearRegression()

[13]: #Keempat, train the model menggunakan training data yang sudah displit
lin_reg.fit(x_train, y_train)

[13]: LinearRegression()

[14]: #Kelima, cari tau nilai slope/koefisien (m) dan intercept (b)
print(lin_reg.coef_)
print(lin_reg.intercept_)

[[171.93277579]]
[-4522.89780842]

5
 • dari nilai m dan b diatas, kalau dimasukan ke dalam rumus menjadi: Y = 164.73x - 3903.39
[15]: #Keenam, kita cari tahu accuracy score dari model kita menggunakan testing data␣
,→yang sudah displit

lin_reg.score(x_test, y_test)

[15]: 0.769360504968589

• Model kita mendapatkan accuracy score sebesar 78.68%

[16]: #Ketujuh, visualisasi aktual vs prediksi menggunakan data testing
#Garis merah merupakan garis regresi dari persamaan yang kita dapat tadi
y_prediksi = lin_reg.predict(x_test)
plt.scatter(x_test, y_test)
plt.plot(x_test, y_prediksi, c='r')
plt.xlabel('Horsepower')
plt.ylabel('Price')
plt.title('Plot Horsepower vs Price')

[16]: Text(0.5, 1.0, 'Plot Horsepower vs Price')

1.0.7 Prediction
• Yuk kita prediksi harga mobil ketika memiliki horsepower 100, 150, dan 200

6
[17]: #Prediksi harga mobil dengan horsepower 100
lin_reg.predict([[100]])

[17]: array([[12670.3797705]])

[18]: #Prediksi harga mobil dengan horsepower 150

lin_reg.predict([[150]])

[18]: array([[21267.01855996]])

[74]: #Prediksi harga mobil dengan horsepower 200

lin_reg.predict([[200]])

[74]: array([[29044.0245815]])

• dengan melihat prediksi harga diatas, didapatkan bahwa hipotesis awal kita memang benar
yaitu mobil dengan Horsepower 200 memiliki harga yang lebih mahal daripada yang lain!