Summary  
This chapter demonstrates how to implement a simple linear regression model by using NumPy’s polyfit function to calculate the best-fit line parameters, visualizing the data with a scatter plot and fitted line, and making predictions for new feature values.

General domain of usage  
Predicting child height from parental height data.

Du kjenner allerede til hva enkel lineær regresjon er og hvordan man finner linjen som passer best til dataene. Nå skal du gå gjennom alle trinnene for å bygge en lineær regresjon for et virkelig datasett.

## Laste inn data
Vi har en fil, `simple_height_data.csv`, med dataene fra eksemplene våre. Vi skal laste inn filen og se nærmere på den:

import pandas as pd

file_link = 'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b22d1166-efda-45e8-979e-6c3ecfc566fc/simple_height_data.csv'
df = pd.read_csv(file_link)	# Read the file

print(df.head())	# Print the first 5 instances from a dataset

Datasettet har to kolonner: den første er `'Father'`, som er **inndatafunksjonen**, og den andre er `'Height'`, som er vår **målvariabel**.

Vi tilordner målverdiene til variabelen `y` og funksjonsverdiene til `X`, og lager et spredningsdiagram.

X = df['Father']	# Assign the feature
y = df['Height']	# Assign the target
plt.scatter(X,y)	# Build scatterplot
plt.show()

## Finne parametere
Nå har NumPy en nyttig funksjon for å finne parameterne til lineær regresjon.

Lineær regresjon er en polynomregresjon av grad 1 (vi vil diskutere polynomregresjon i senere seksjoner). Derfor må vi sette `deg=1` for å få parameterne til den lineære regresjonen.  
Her er et eksempel:

beta_1, beta_0 = np.polyfit(X, y, 1)	# Get the parameters
print('beta_0 is', beta_0)
print('beta_1 is', beta_1)

Hvis du ikke er kjent med syntaksen `beta_1, beta_0 = np.polyfit(X,y,1)`, kalles dette oppakking. Hvis du har en iterator (for eksempel en liste, NumPy-array eller pandas-serie) som har to elementer, vil
```python
a, b = my_iterator
```
være det samme som
```python
a = my_iterator[0]
b = my_iterator[1]
```
Og siden returverdien fra funksjonen `polyfit()` er et NumPy-array med to verdier, kan vi gjøre dette.

Merk

## Lage prediksjoner
Nå kan vi plotte linjen og forutsi nye variabler ved hjelp av parameterne.

plt.scatter(X,y)	# Build a scatter plot
plt.plot(X, beta_0 + beta_1 * X, color='red')	# Plot the line
plt.show()

Nå som vi har parameterne, kan vi bruke regresjonslikningen til å forutsi nye verdier.

X_new = np.array([65, 70, 75])	# Feature values of new instances
y_pred = beta_0 + beta_1 * X_new	# Predict the target
print('Predicted y: ', y_pred)

Det er altså ganske enkelt å finne parameterne til lineær regresjon. Men noen biblioteker kan også gi deg tilleggsinformasjon.

Du kan finne parameterne til enkel lineær regresjon ved å bruke NumPy-funksjonen:

Lineær regresjon er et sentralt konsept innen prediktiv analyse. Det brukes mye av dataforskere, dataanalytikere og statistikere fordi det er enkelt å bygge og tolke, men samtidig kraftig nok for mange oppgaver.

La oss begynne med den enkleste lineære regresjonsmodellen! Du vil lære om konseptet bak lineær regresjon og hvordan lage prediksjoner i Python.

De fleste prediksjonsoppgaver i virkeligheten involverer mer enn én variabel. Du vil lære hvordan man håndterer lineær regresjon med flere variabler.

En rett linje beskriver ikke alltid dataene godt. La oss lære hvordan vi kan bygge en mer kompleks modell for prediksjon. Det er dette polynomisk regresjon er egnet for.

Nå som du vet hvordan du bygger flere lineære regresjonsmodeller, trenger du en metode for å velge den beste. Dette kan oppnås ved hjelp av målemetoder. Denne delen forklarer de mest brukte metodene og utfordringene du kan møte ved bruk av dem.

Bygge Lineær Regresjon ved Hjelp av NumPy

Laste inn data

Finne parametere

Lage prediksjoner