การใช้งาน Linear regression ในภาษา Python แบบง่ายๆ พร้อมตัวอย่าง

หากคุณเป็นผู้ที่สนใจในวิชาการเขียนโปรแกรมและวิทยาศาสตร์ข้อมูล (Data Science) คุณอาจเคยได้ยินคำว่า "Linear Regression" หรือการถดถอยเชิงเส้นตรง ซึ่งเป็นหนึ่งในเทคนิคพื้นฐานที่ใช้ในการวิเคราะห์และการประมาณค่าข้อมูลที่มีความสัมพันธ์แบบเชิงเส้น (Linear Relationship) ระหว่างตัวแปรต้นกับตัวแปรตาม ในบทความนี้เราจะมาพูดถึงการใช้งาน Linear Regression ในภาษา Python ผ่านไลบรารีที่ชื่อว่า scikit-learn ซึ่งเป็นไลบรารีวิทยาศาสตร์ข้อมูลที่กว้างขวางและมีประสิทธิภาพสูงสำหรับ Python ที่มีความสามารถในการทำงานกับอัลกอริธึมการเรียนรู้ของเครื่อง (Machine Learning Algorithms) อย่างหลากหลาย พร้อมตัวอย่าง CODE และอธิบายการทำงาน รวมถึงยกยกตัวอย่าง usecase ในโลกจริงที่เกี่ยวข้องกับการใช้งานการถดถอยเชิงเส้นตรง

ตัวอย่างการใช้ Linear Regression ในภาษา Python

เราจะเริ่มต้นด้วยการนำเข้าไลบรารีที่จำเป็น ซึ่งประกอบไปด้วย NumPy เพื่อการจัดการอาร์เรย์และคำนวณข้อมูล, Pandas สำหรับการอ่านและจัดการข้อมูลในรูปแบบของ DataFrame และสุดท้ายคือไลบรารี scikit-learn เพื่อการใช้งานฟังก์ชัน Linear Regression:

 import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn import metrics

# สมมติข้อมูลการขายบ้านที่มีสองคอลัมน์คือ พื้นที่(ตารางเมตร) และราคา
data = {
    'Area': [2600, 3000, 3200, 3600, 4000],
    'Price': [550000, 565000, 610000, 680000, 725000]
}

df = pd.DataFrame(data)

# เตรียมข้อมูลสำหรับการเรียนรู้
X = df['Area'].values.reshape(-1,1)  # ตัวแปรต้น (Feature)
Y = df['Price'].values.reshape(-1,1)  # ตัวแปรตาม (Target)

# แบ่งข้อมูลเป็นชุดเรียนรู้และชุดทดสอบ
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.2, random_state=0)

# สร้างตัวแบบ Linear Regression
regressor = LinearRegression()
regressor.fit(X_train, Y_train)  # ฝึกตัวแบบด้วยข้อมูลชุดเรียนรู้

# ทำนายค่าด้วยข้อมูลชุดทดสอบ
Y_pred = regressor.predict(X_test)

# แสดงค่าสัมประสิทธิ์และค่าสัมบูรณ์ตัด (Intercept)
print('Coefficients:', regressor.coef_)
print('Intercept:', regressor.intercept_)

# ประเมินประสิทธิภาพของตัวแบบ
print('Mean Absolute Error:', metrics.mean_absolute_error(Y_test, Y_pred))
print('Mean Squared Error:', metrics.mean_squared_error(Y_test, Y_pred))
print('Root Mean Squared Error:', np.sqrt(metrics.mean_squared_error(Y_test, Y_pred)))

ในตัวอย่างนี้เราได้คำนวณสมการเชิงเส้นซึ่งเป็น `Y = mX + c` โดยที่ `m` คือสัมประสิทธิ์ (ตัวคูณของตัวแปรต้น) และ `c` คือค่าสัมบูรณ์ตัด (ค่าที่บังคับให้เส้นตรงนั้นตัดกับแกน Y ในกราฟ) จากค่ะพารามิเตอร์ทางสถิติที่ได้ เราสามารถเข้าใจได้ว่าพื้นที่บ้านมีความสัมพันธ์เชิงบวกกับราคาบ้าน นั่นคือพื้นที่ที่มากขึ้นทำให้ราคาบ้านสูงขึ้น

Usecase ในโลกจริง

การใช้งาน Linear Regression ในโลกจริงนั้นหลากหลายและครอบคลุมหลายสาขา เช่น

การเรียนรู้โปรแกรมมิ่งและการใช้งานการถดถอยเชิงเส้นตรงที่ EPT จะติดอาวุธให้คุณด้วยทักษะที่มีคุณค่าเหล่านี้ ซึ่งมีแอปพลิเคชันที่หลากหลายในโลกข้อมูลการประมวลผลขนาดใหญ่ของเราในปัจจุบัน โดย EPT พร้อมที่จะมอบความรู้ด้านไซอานิส์ข้อมูล (Data Science) และการวิเคราะห์ข้อมูล (Data Analysis) ให้คุณสามารถเข้าถึงโอกาสในอาชีพใหม่ๆ ที่ตอบสนองต่อความต้องการของตลาดแรงงานในปัจจุบันและอนาคต

ที่ EPT เรามีหลักสูตรการเขียนโปรแกรมที่สอดคล้องกับปัญหาในโลกจริงและมุ่งเน้นการใช้ความรู้ให้เป็นประโยชน์มากที่สุด ด้วยการเรียนโดยลงมือทำในโปรเจกต์จริงๆ เราช่วยให้ผู้เรียนเข้าใจหลักการต่างๆ อย่างเจาะลึกผ่านการฝึกปฏิบัติจริง ซึ่งนั่นคือความเป็นเลิศที่ EPT มุ่งมั่นที่จะส่งมอบให้แก่นักเรียนทุกคน ความรู้ในวันนี้อาจเป็นก้าวสำคัญที่จะนำคุณไปสู่การเป็นผู้เชี่ยวชาญในวงการซอฟต์แวร์และวิทยาศาสตร์ข้อมูลในอนาคต!

หมายเหตุ: ข้อมูลในบทความนี้อาจจะผิด โปรดตรวจสอบความถูกต้องของบทความอีกครั้งหนึ่ง บทความนี้ไม่สามารถนำไปใช้อ้างอิงใด ๆ ได้ ทาง EPT ไม่ขอยืนยันความถูกต้อง และไม่ขอรับผิดชอบต่อความเสียหายใดที่เกิดจากบทความชุดนี้ทั้งทางทรัพย์สิน ร่างกาย หรือจิตใจของผู้อ่านและผู้เกี่ยวข้อง