https://onnocenter.or.id/wiki/index.php?action=history&feed=atom&title=TF%3A_TensorFlow_Linear_Regresion_Text_data 2026-04-17T14:03:30Z Revision history for this page on the wiki MediaWiki 1.35.4 https://onnocenter.or.id/wiki/index.php?title=TF:_TensorFlow_Linear_Regresion_Text_data&diff=72021&oldid=prev 2025-03-18T03:39:53Z

<p><span dir="auto"><span class="autocomment">1. Mengimpor Pustaka yang Diperlukan</span></span></p> <table class="diff diff-contentalign-left diff-editfont-monospace" data-mw="interface"> <col class="diff-marker" /> <col class="diff-content" /> <col class="diff-marker" /> <col class="diff-content" /> <tr class="diff-title" lang="en"> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">← Older revision</td> <td colspan="2" style="background-color: #fff; color: #202122; text-align: center;">Revision as of 03:39, 18 March 2025</td> </tr><tr><td colspan="2" class="diff-lineno" id="mw-diff-left-l2" >Line 2:</td> <td colspan="2" class="diff-lineno">Line 2:</td></tr> <tr><td class='diff-marker'> </td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"></td><td class='diff-marker'> </td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"></td></tr> <tr><td class='diff-marker'> </td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>==1. Mengimpor Pustaka yang Diperlukan==</div></td><td class='diff-marker'> </td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>==1. Mengimpor Pustaka yang Diperlukan==</div></td></tr> <tr><td class='diff-marker'>−</td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #ffe49c; vertical-align: top; white-space: pre-wrap;"><div>Pastikan Anda mengimpor pustaka yang diperlukan seperti `pandas`, `numpy`, `scikit-learn`, dan `category_encoders`.<del class="diffchange diffchange-inline"></del></div></td><td class='diff-marker'>+</td><td style="color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div>Pastikan Anda mengimpor pustaka yang diperlukan seperti `pandas`, `numpy`, `scikit-learn`, dan `category_encoders`.</div></td></tr> <tr><td class='diff-marker'> </td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"></td><td class='diff-marker'> </td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"></td></tr> <tr><td class='diff-marker'> </td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>  import pandas as pd</div></td><td class='diff-marker'> </td><td style="background-color: #f8f9fa; color: #202122; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #eaecf0; vertical-align: top; white-space: pre-wrap;"><div>  import pandas as pd</div></td></tr> </table>

Onnowpurbo https://onnocenter.or.id/wiki/index.php?title=TF:_TensorFlow_Linear_Regresion_Text_data&diff=72020&oldid=prev 2025-03-18T03:39:41Z

<p>Created page with &quot;Untuk melakukan regresi linear pada file Excel yang memiliki kolom fitur berupa string/teks dan target Y berupa nilai floating point, serta memprediksi nilai Y untuk dataset b...&quot;</p> <p><b>New page</b></p><div>Untuk melakukan regresi linear pada file Excel yang memiliki kolom fitur berupa string/teks dan target Y berupa nilai floating point, serta memprediksi nilai Y untuk dataset baru dengan struktur serupa namun tanpa nilai Y, Anda dapat mengikuti langkah-langkah berikut di Google Colab:<br /> <br /> ==1. Mengimpor Pustaka yang Diperlukan==<br /> Pastikan Anda mengimpor pustaka yang diperlukan seperti `pandas`, `numpy`, `scikit-learn`, dan `category_encoders`.<br /> <br /> import pandas as pd<br /> import numpy as np<br /> from sklearn.model_selection import train_test_split<br /> from sklearn.linear_model import LinearRegression<br /> from sklearn.metrics import mean_squared_error<br /> from sklearn.preprocessing import OneHotEncoder<br /> import category_encoders as ce<br /> <br /> ==2. Mengunggah dan Membaca File Excel==<br /> Gunakan fitur unggah file di Google Colab untuk mengunggah file Excel Anda, kemudian baca file tersebut menggunakan `pandas`.<br /> <br /> from google.colab import files<br /> <br /> # Unggah file pertama (dengan target Y)<br /> uploaded = files.upload()<br /> file_name_1 = list(uploaded.keys())[0]<br /> df_train = pd.read_excel(file_name_1)<br /> <br /> # Unggah file kedua (tanpa target Y)<br /> uploaded = files.upload()<br /> file_name_2 = list(uploaded.keys())[0]<br /> df_test = pd.read_excel(file_name_2)<br /> <br /> ==3. Memisahkan Fitur dan Target==<br /> Pisahkan kolom fitur dan kolom target dari dataset pertama.<br /> <br /> # Misalkan kolom terakhir adalah target Y<br /> X_train = df_train.iloc[:, :-1]<br /> y_train = df_train.iloc[:, -1]<br /> <br /> # Untuk dataset kedua (tanpa target Y)<br /> X_test = df_test<br /> <br /> ==4. Mengidentifikasi Kolom Kategorikal==<br /> Identifikasi kolom yang berisi data kategorikal (string/teks).<br /> <br /> # Menentukan kolom kategorikal<br /> categorical_cols = X_train.select_dtypes(include=['object']).columns<br /> <br /> ==5. Mengonversi Variabel Kategorikal Menggunakan One-Hot Encoding==<br /> Lakukan one-hot encoding pada kolom kategorikal untuk mengubahnya menjadi format numerik yang dapat digunakan dalam regresi linear.<br /> <br /> # One-Hot Encoding untuk data pelatihan<br /> encoder = OneHotEncoder(drop='first', sparse=False)<br /> X_train_encoded = pd.DataFrame(encoder.fit_transform(X_train[categorical_cols]))<br /> X_train_encoded.columns = encoder.get_feature_names_out(categorical_cols)<br /> X_train_encoded.index = X_train.index<br /> <br /> # Menggabungkan kembali dengan kolom numerik<br /> X_train_final = pd.concat([X_train.drop(columns=categorical_cols), X_train_encoded], axis=1)<br /> <br /> # One-Hot Encoding untuk data uji<br /> X_test_encoded = pd.DataFrame(encoder.transform(X_test[categorical_cols]))<br /> X_test_encoded.columns = encoder.get_feature_names_out(categorical_cols)<br /> X_test_encoded.index = X_test.index<br /> <br /> # Menggabungkan kembali dengan kolom numerik<br /> X_test_final = pd.concat([X_test.drop(columns=categorical_cols), X_test_encoded], axis=1)<br /> <br /> ==6. Melatih Model Regresi Linear==<br /> Latih model regresi linear menggunakan data pelatihan yang telah diencoding.<br /> <br /> # Membuat dan melatih model regresi linear<br /> model = LinearRegression()<br /> model.fit(X_train_final, y_train)<br /> <br /> ==7. Memprediksi Nilai Y untuk Dataset Kedua==<br /> Gunakan model yang telah dilatih untuk memprediksi nilai Y pada dataset kedua.<br /> <br /> # Memprediksi nilai Y untuk data uji<br /> y_pred = model.predict(X_test_final)<br /> <br /> # Menambahkan prediksi ke dataframe asli<br /> df_test['Predicted_Y'] = y_pred<br /> <br /> # Menampilkan hasil prediksi<br /> print(df_test.head())<br /> <br /> Dengan langkah-langkah di atas, Anda dapat melakukan regresi linear pada dataset dengan fitur kategorikal dan memprediksi nilai target untuk dataset baru yang memiliki struktur serupa. Pastikan untuk memeriksa dan membersihkan data Anda sebelum melakukan analisis untuk memastikan hasil yang akurat.<br /> <br /> <br /> <br /> ==Pranala Menarik==<br /> <br /> * [[TensorFlow]]</div>

Onnowpurbo