Polynomial Regression Part 4

Bad Fit?

Mari kita buat contoh di mana regresi polinomial bukanlah metode terbaik untuk memprediksi nilai masa depan.

Contoh

Nilai-nilai untuk sumbu x dan y ini akan menghasilkan kecocokan yang sangat buruk untuk regresi polinomial.

import numpy
import matplotlib.pyplot as plt

x = [89,43,36,36,95,10,66,34,38,20,26,29,48,64,6,5,36,66,72,40]
y = [21,46,3,35,67,95,53,72,58,10,26,34,90,33,38,20,56,2,47,15]

mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))

myline = numpy.linspace(2, 95, 100)

plt.scatter(x, y)
plt.plot(myline, mymodel(myline))
plt.show()

Hasil

Dan nilai r-kuadratnya?

Contoh

Anda harus mendapatkan nilai r-kuadrat yang sangat rendah.

import numpy
from sklearn.metrics import r2_score

x = [89,43,36,36,95,10,66,34,38,20,26,29,48,64,6,5,36,66,72,40]
y = [21,46,3,35,67,95,53,72,58,10,26,34,90,33,38,20,56,2,47,15]

mymodel = numpy.poly1d(numpy.polyfit(x, y, 3))

print(r2_score(y, mymodel(x)))

Hasilnya: 0,00995 menunjukkan hubungan yang sangat buruk, dan memberi tahu kita bahwa kumpulan data ini tidak cocok untuk regresi polinomial.