TF: TensorFlow untuk dataset Boston Housing
Untuk membuat model prediksi menggunakan dataset Boston Housing tanpa menggunakan Google Colab, Anda dapat mengikuti langkah-langkah berikut:
1. Mengimpor Library yang Diperlukan:
import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.datasets import load_boston from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error, mean_absolute_error
2. Memuat Dataset Boston Housing:
Dataset Boston Housing tidak lagi tersedia secara langsung di `scikit-learn` versi terbaru karena alasan etika. Namun, Anda masih dapat mengaksesnya melalui sumber lain, seperti menggunakan library `keras`.
from keras.datasets import boston_housing (train_data, train_targets), (test_data, test_targets) = boston_housing.load_data()
Jika Anda ingin menggunakan dataset dalam format DataFrame Pandas:
column_names = [
'CRIM', 'ZN', 'INDUS', 'CHAS', 'NOX', 'RM',
'AGE', 'DIS', 'RAD', 'TAX', 'PTRATIO', 'B', 'LSTAT'
]
train_df = pd.DataFrame(train_data, columns=column_names)
test_df = pd.DataFrame(test_data, columns=column_names)
train_df['MEDV'] = train_targets
test_df['MEDV'] = test_targets
3. Membagi Data Latih dan Uji:
Jika Anda ingin membagi data secara manual:
X = train_df.drop('MEDV', axis=1).values
y = train_df['MEDV'].values
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)
4. Membuat dan Melatih Model Regresi Linear:
model = LinearRegression() model.fit(X_train, y_train)
5. Melakukan Prediksi:
y_pred = model.predict(X_val)
6. Evaluasi Model:
mse = mean_squared_error(y_val, y_pred)
mae = mean_absolute_error(y_val, y_pred)
print(f"Mean Squared Error: {mse}")
print(f"Mean Absolute Error: {mae}")
7. Visualisasi Hasil:
plt.scatter(y_val, y_pred, color='blue')
plt.plot([y_val.min(), y_val.max()], [y_val.min(), y_val.max()], 'k--', lw=3)
plt.xlabel('Nilai Aktual')
plt.ylabel('Nilai Prediksi')
plt.title('Nilai Aktual vs. Prediksi')
plt.show()
Langkah-langkah di atas akan membantu Anda membangun model prediksi menggunakan dataset Boston Housing dan memvisualisasikan hasilnya. Pastikan untuk menyesuaikan kode sesuai dengan kebutuhan spesifik Anda dan memastikan bahwa semua library yang diperlukan telah terinstal di lingkungan Python Anda.