Regresi Linier merupakan algoritma pembelajaran mesin terbimbing yang sangat mudah dipelajari dan diterapkan. Berikut ini adalah kelebihan dan kekurangan Regresi Linier:
Keuntungan Regresi Linier
1. Regresi Linier bekerja dengan baik ketika datasetnya dapat dipisahkan secara linierKita dapat menggunakannya untuk menemukan sifat hubungan antar variabel.
2. Regresi Linier lebih mudah diimplementasikan, diinterpretasikan, dan sangat efisien untuk dilatih.
3. Regresi Linier rentan terhadap over-fitting tetapi dapat dengan mudah dihindari menggunakan beberapa teknik pengurangan dimensionalitas, teknik regularisasi (L1 dan L2) dan validasi silang.
Kekurangan Regresi Linier
1. Batasan utama Regresi Linier adalah asumsi linearitas antara variabel dependen dan variabel independen. Dalam dunia nyata, data jarang dapat dipisahkan secara linear. Diasumsikan bahwa ada hubungan garis lurus antara variabel dependen dan independen yang sering kali tidak tepat.
2. Rentan terhadap noise dan overfitting: Jika jumlah observasi lebih kecil dari jumlah fitur, Regresi Linier tidak boleh digunakan, karena dapat menyebabkan overfit karena mulai mempertimbangkan noise dalam skenario ini saat membangun model.
3. Rentan terhadap outlier: Regresi linier sangat sensitif terhadap outlier (anomali). Jadi, outlier harus dianalisis dan dihilangkan sebelum menerapkan Regresi Linier pada kumpulan data.
4. Rentan terhadap multikolinearitas: Sebelum menerapkan regresi Linear, multikolinearitas harus dihilangkan (menggunakan teknik reduksi dimensionalitas) karena mengasumsikan bahwa tidak ada hubungan antara variabel independen.
Kesimpulan, Regresi Linier adalah alat yang hebat untuk menganalisis hubungan antar variabel tetapi tidak direkomendasikan untuk sebagian besar aplikasi praktis karena terlalu menyederhanakan masalah dunia nyata dengan mengasumsikan hubungan linier antar variabel.
Keuntungan Regresi Linier
1. Regresi Linier bekerja dengan baik ketika datasetnya dapat dipisahkan secara linierKita dapat menggunakannya untuk menemukan sifat hubungan antar variabel.
2. Regresi Linier lebih mudah diimplementasikan, diinterpretasikan, dan sangat efisien untuk dilatih.
3. Regresi Linier rentan terhadap over-fitting tetapi dapat dengan mudah dihindari menggunakan beberapa teknik pengurangan dimensionalitas, teknik regularisasi (L1 dan L2) dan validasi silang.
Kekurangan Regresi Linier
1. Batasan utama Regresi Linier adalah asumsi linearitas antara variabel dependen dan variabel independen. Dalam dunia nyata, data jarang dapat dipisahkan secara linear. Diasumsikan bahwa ada hubungan garis lurus antara variabel dependen dan independen yang sering kali tidak tepat.
2. Rentan terhadap noise dan overfitting: Jika jumlah observasi lebih kecil dari jumlah fitur, Regresi Linier tidak boleh digunakan, karena dapat menyebabkan overfit karena mulai mempertimbangkan noise dalam skenario ini saat membangun model.
3. Rentan terhadap outlier: Regresi linier sangat sensitif terhadap outlier (anomali). Jadi, outlier harus dianalisis dan dihilangkan sebelum menerapkan Regresi Linier pada kumpulan data.
4. Rentan terhadap multikolinearitas: Sebelum menerapkan regresi Linear, multikolinearitas harus dihilangkan (menggunakan teknik reduksi dimensionalitas) karena mengasumsikan bahwa tidak ada hubungan antara variabel independen.
Kesimpulan, Regresi Linier adalah alat yang hebat untuk menganalisis hubungan antar variabel tetapi tidak direkomendasikan untuk sebagian besar aplikasi praktis karena terlalu menyederhanakan masalah dunia nyata dengan mengasumsikan hubungan linier antar variabel.
