Tutorial Membuat Program Regresi Logistik Dengan Python Menggunakan Anaconda
Desember 23, 2017
Add Comment
Hai Guys, pada kesempatan kali ini saya akan membagikan Tutorial Singkat Untuk Membuat Program Regresi Logistik Dengan Python Menggunakan Anaconda.
Sebelum mengikuti Tutorial Membuat Program Regresi Logistik Dengan Python Menggunakan Anaconda ini, silakan download(klik disini) dan install anaconda dulu ya sob.
Kemudian Buka Spyder, dan buat project baru lalu ikuti tutorial membuat program regresi logistik berikut:
Pertama: Load Data
from pprint import pprint
import pandas
data = pandas.read_csv('data.csv')
print(data)Output
A B C D Kelas
0 12 0.20 3 70 1
1 10 0.25 2 80 1
2 9 0.27 3 75 1
3 10 0.30 4 65 0
4 8 0.19 1 90 1
5 11 0.20 3 65 0
6 12 0.32 2 77 1
7 11 0.23 4 83 0
8 10 0.25 4 88 0
9 12 0.32 2 77 1
10 10 0.30 4 65 0
11 11 0.20 3 65 0
12 12 0.20 3 70 1
13 9 0.27 3 75 1
14 8 0.19 1 90 1
15 11 0.23 4 83 0
16 10 0.30 4 65 0
17 10 0.25 2 80 1
18 12 0.20 3 70 1Kedua: Pisahkan Kolom Kelas Dengan Kolom Fitur
# iki ngilangi kolom paling belakang soale kolom paling belakang kolom kelas
fitur = []
kolom_kelas = []
for i in range(len(data)):
kolom_fitur = []
for j in range(len(data.iloc[i])):
if (j == len(data.iloc[i])-1): # jika iterasi kolom adalah dikolom terakhir maka masukkan nilai ke dalam list kelas
kolom_kelas.append(data.iloc[i,j])
else: # jika tidak masukkan ke list kolom fitur
kolom_fitur.append(data.iloc[i,j])
fitur.append(kolom_fitur)
print("Data fitur :")
pprint(fitur)
print()
print("Data kelas :")
pprint(kolom_kelas)Output
Data fitur :
[[12, 0.20000000000000001, 3, 70],
[10, 0.25, 2, 80],
[9, 0.27000000000000002, 3, 75],
[10, 0.29999999999999999, 4, 65],
[8, 0.19, 1, 90],
[11, 0.20000000000000001, 3, 65],
[12, 0.32000000000000001, 2, 77],
[11, 0.23000000000000001, 4, 83],
[10, 0.25, 4, 88],
[12, 0.32000000000000001, 2, 77],
[10, 0.29999999999999999, 4, 65],
[11, 0.20000000000000001, 3, 65],
[12, 0.20000000000000001, 3, 70],
[9, 0.27000000000000002, 3, 75],
[8, 0.19, 1, 90],
[11, 0.23000000000000001, 4, 83],
[10, 0.29999999999999999, 4, 65],
[10, 0.25, 2, 80],
[12, 0.20000000000000001, 3, 70]]
Data kelas :
[1, 1, 1, 0, 1, 0, 1, 0, 0, 1, 0, 0, 1, 1, 1, 0, 0, 1, 1]Ketiga: Ketiga: Bagi Data Menjadi Data Training Dan Data Testing
X_train = fitur[:int(len(fitur)*0.3)] # 1/3 = 0.333
y_train = kolom_kelas[:int(len(kolom_kelas)*0.3)]
X_test = fitur[:int(len(fitur)*0.667)] # 2/3 = 0.667
y_test = kolom_kelas[:int(len(kolom_kelas)*0.667)]
print('Data Training')
print('Fitur : ')
pprint(X_train)
print('Kelas : ')
pprint(y_train)
print()
print('Data Testing')
print('Fitur : ')
pprint(X_test)
print('Kelas : ')
pprint(y_test)Output
Data Training
Fitur :
[[12, 0.20000000000000001, 3, 70],
[10, 0.25, 2, 80],
[9, 0.27000000000000002, 3, 75],
[10, 0.29999999999999999, 4, 65],
[8, 0.19, 1, 90]]
Kelas :
[1, 1, 1, 0, 1]
Data Testing
Fitur :
[[12, 0.20000000000000001, 3, 70],
[10, 0.25, 2, 80],
[9, 0.27000000000000002, 3, 75],
[10, 0.29999999999999999, 4, 65],
[8, 0.19, 1, 90],
[11, 0.20000000000000001, 3, 65],
[12, 0.32000000000000001, 2, 77],
[11, 0.23000000000000001, 4, 83],
[10, 0.25, 4, 88],
[12, 0.32000000000000001, 2, 77],
[10, 0.29999999999999999, 4, 65],
[11, 0.20000000000000001, 3, 65]]
Kelas :
[1, 1, 1, 0, 1, 0, 1, 0, 0, 1, 0, 0]Keempat: Lakukan Logistic Regression
from sklearn.linear_model import LogisticRegression
clf = LogisticRegression(C=1E4, tol=1E-25, random_state=101)
clf.fit(X_train, y_train) # gunakan data training untuk method fit
# prediksi kelas dari data testing
predict = clf.predict(X_test)
print('Data Aktual :')
print(y_test)
print('Data Prediksi')
print(predict)
# lihat akurasi
akurasi = clf.score(X_test, y_test)
print('akurasi tebakan pada data test : ')
print(akurasi)Output
Data Aktual :
[1, 1, 1, 0, 1, 0, 1, 0, 0, 1, 0, 0]
Data Prediksi
[1 1 1 0 1 1 1 1 1 1 0 1]
akurasi tebakan pada data test :
0.666666666667Kelima: Buat matriks confusion
from sklearn.metrics import confusion_matrix
confusion = confusion_matrix(predict, y_test)
print(confusion)Output
[[2 0]
[4 6]]Alhamdulillah, itulah Tutorial Membuat Program Regresi Logistik Dengan Python Menggunakan Anaconda.
Berikut code program Regresi Logistik, secara lengkap
# -*- coding: utf-8 -*-
"""
Created on Thu Dec 21 13:14:03 2017
@author: Tubianto
"""
#PERTAMA: LOAD DATA
from pprint import pprint
import pandas
data = pandas.read_csv('data.csv')
print(data)
#Kedua: Pisahkan kolom kelas dengan kolom fitur
# iki ngilangi kolom paling belakang soale kolom paling belakang kolom kelas
fitur = []
kolom_kelas = []
for i in range(len(data)):
kolom_fitur = []
for j in range(len(data.iloc[i])):
if (j == len(data.iloc[i])-1): # jika iterasi kolom adalah dikolom terakhir maka masukkan nilai ke dalam list kelas
kolom_kelas.append(data.iloc[i,j])
else: # jika tidak masukkan ke list kolom fitur
kolom_fitur.append(data.iloc[i,j])
fitur.append(kolom_fitur)
print("Data fitur :")
pprint(fitur)
print()
print("Data kelas :")
pprint(kolom_kelas)
#Ketiga: Bagi data menjadi data training dan data testing
X_train = fitur[:int(len(fitur)*0.3)] # 1/3 = 0.333
y_train = kolom_kelas[:int(len(kolom_kelas)*0.3)]
X_test = fitur[:int(len(fitur)*0.667)] # 2/3 = 0.667
y_test = kolom_kelas[:int(len(kolom_kelas)*0.667)]
print('Data Training')
print('Fitur : ')
pprint(X_train)
print('Kelas : ')
pprint(y_train)
print()
print('Data Testing')
print('Fitur : ')
pprint(X_test)
print('Kelas : ')
pprint(y_test)
#Keempat: Lakukan Logistic Regression
from sklearn.linear_model import LogisticRegression
clf = LogisticRegression(C=1E4, tol=1E-25, random_state=101)
clf.fit(X_train, y_train) # gunakan data training untuk method fit
# prediksi kelas dari data testing
predict = clf.predict(X_test)
print('Data Aktual :')
print(y_test)
print('Data Prediksi')
print(predict)
# lihat akurasi
akurasi = clf.score(X_test, y_test)
print('akurasi tebakan pada data test : ')
print(akurasi)
#Kelima: Buat matriks confusion
from sklearn.metrics import confusion_matrix
confusion = confusion_matrix(predict, y_test)
print(confusion)Terimakasih dan Semoga Bermanfaat
0 Response to "Tutorial Membuat Program Regresi Logistik Dengan Python Menggunakan Anaconda"
Posting Komentar