Regresi linier

Regresi linier hanya mendukung masalah jenis regresi.

Ini bekerja dengan memperkirakan koefisien untuk garis atau hyperplane yang paling sesuai dengan
data pelatihan. Ini adalah algoritme regresi yang sangat sederhana, cepat untuk dilatih, dan dapat
memiliki kinerja yang hebat jika variabel keluaran untuk data Anda merupakan kombinasi linier dari
masukan Anda.

Sebaiknya evaluasi regresi linier pada masalah Anda sebelum beralih ke algoritme yang lebih kompleks
jika performanya baik.

Pilih algoritma regresi linier:

Klik tombol "Pilih" dan pilih "LinearRegression" di bawah grup "fungsi".

Klik pada nama algoritme untuk meninjau konfigurasi algoritme.

Konfigurasi Weka Regresi Linear

Konfigurasi Weka Regresi Linear

Performa regresi linier dapat dikurangi jika data pelatihan Anda memiliki atribut masukan yang
berkorelasi tinggi. Weka dapat mendeteksi dan menghapus atribut masukan yang sangat berkorelasi
secara otomatis dengan menyetel eliminasiColinearAttributes ke True, yang merupakan default.

Selain itu, atribut yang tidak terkait dengan variabel keluaran juga dapat berdampak negatif terhadap
kinerja. Weka dapat secara otomatis melakukan pemilihan fitur untuk hanya memilih atribut-atribut
yang relevan dengan menyetel AttributeSelectionMethod. Ini diaktifkan secara default dan dapat
dinonaktifkan.

Terakhir, implementasi Weka menggunakan teknik ridge regularization untuk mengurangi kompleksitas
model yang dipelajari. Ini dilakukan dengan meminimalkan kuadrat dari jumlah absolut dari koefisien
yang dipelajari, yang akan mencegah koefisien tertentu menjadi terlalu besar (tanda kerumitan dalam
model regresi).

Klik "OK" untuk menutup konfigurasi algoritme.

Klik tombol "Mulai" untuk menjalankan algoritme pada dataset harga rumah Boston.

Anda dapat melihat bahwa dengan konfigurasi default regresi linier mencapai RMSE 4,9.

Hasil Weka untuk Regresi Linear