verisimb/regresi

🌸 Iris Petal Width — Linear Regression Model

Model Multiple Linear Regression yang dilatih untuk memprediksi lebar petal (petal width) bunga Iris berdasarkan tiga fitur morfologi bunga dari dataset Iris klasik (R.A. Fisher, 1936).

---

📋 Informasi Model

Atribut	Detail
Tipe Model	Multiple Linear Regression
Library	scikit-learn
Task	Tabular Regression
Dataset	Iris Dataset (UCI Repository)
File Model	iris_linear_regression_model.pkl
Format	joblib pickle (.pkl)

---

📊 Performa Model

Evaluasi dilakukan pada 30 data uji (20% dari total 150 sampel):

Metrik	Nilai
R² Score	0.9269
MSE (Mean Sq. Error)	0.0464
RMSE (Root MSE)	0.2155

R² = 0.9269 artinya model mampu menjelaskan 92.69% variasi data petal width — performa yang sangat baik untuk model linear.

---

📐 Formula Regresi

Model menghasilkan persamaan regresi berikut:

petal_width = -0.1791
            + (-0.2379 × sepal_length)
            + ( 0.2430 × sepal_width)
            + ( 0.5367 × petal_length)

Koefisien Detail

Fitur	Koefisien	Interpretasi
sepal_length	-0.2379	Tiap +1 cm sepal length → petal width turun 0.24 cm
sepal_width	0.2430	Tiap +1 cm sepal width → petal width naik 0.24 cm
petal_length	0.5367	Tiap +1 cm petal length → petal width naik 0.54 cm
Intercept	-0.1791	Nilai dasar saat semua fitur = 0

Petal length adalah prediktor terkuat dengan koefisien terbesar (0.5367), sejalan dengan korelasi tinggi (0.9490) yang tercatat dalam dataset.

---

🗂️ Dataset

• Nama: Iris Plants Database
• Sumber: UCI Machine Learning Repository
• Dibuat oleh: R.A. Fisher (1936)
• Jumlah sampel: 150 (50 per kelas)
• Kelas: Iris Setosa, Iris Versicolour, Iris Virginica
• Missing values: Tidak ada

Statistik Ringkas Dataset

Fitur	Min	Max	Mean	Std Dev
sepal_length	4.3	7.9	5.84	0.83
sepal_width	2.0	4.4	3.05	0.43
petal_length	1.0	6.9	3.76	1.76
petal_width	0.1	2.5	1.20	0.76

Split Data

Set	Jumlah Sampel
Training	120 (80%)
Testing	30 (20%)

Split menggunakan random_state=42 untuk reproducibility.

---

🚀 Cara Menggunakan Model

Install Dependensi

pip install scikit-learn joblib huggingface_hub

Load & Prediksi

import joblib
import numpy as np
from huggingface_hub import hf_hub_download

# Download model dari Hugging Face
model_path = hf_hub_download(
    repo_id="verisimb/regresi",
    filename="iris_linear_regression_model.pkl",
)
model = joblib.load(model_path)

# Prediksi satu sampel: [sepal_length, sepal_width, petal_length]
sample = [[5.1, 3.5, 1.4]]
prediction = model.predict(sample)
print(f"Prediksi Petal Width: {prediction[0]:.4f} cm")
# Output: Prediksi Petal Width: 0.2095 cm

Prediksi Batch

import pandas as pd

data_baru = pd.DataFrame({
    'sepal_length': [5.1, 6.3, 7.2],
    'sepal_width' : [3.5, 2.9, 3.0],
    'petal_length': [1.4, 4.5, 5.8]
})

predictions = model.predict(data_baru)
data_baru['petal_width_pred'] = predictions.round(4)
print(data_baru)

Output:

   sepal_length  sepal_width  petal_length  petal_width_pred
0           5.1          3.5           1.4            0.2095
1           6.3          2.9           4.5            1.4421
2           7.2          3.0           5.8            1.9500

Rentang Input yang Valid

Fitur	Min	Max	Satuan
sepal_length	4.3	7.9	cm
sepal_width	2.0	4.4	cm
petal_length	1.0	6.9	cm

---

🔧 Detail Training

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
import joblib

# Features dan Target
X = df[['sepal_length', 'sepal_width', 'petal_length']]
y = df['petal_width']

# Split data
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# Training
model = LinearRegression()
model.fit(X_train, y_train)

# Simpan model
joblib.dump(model, "iris_linear_regression_model.pkl")

Notebook lengkap proses pelatihan tersedia di: Linear_Regression_Iris.ipynb

---

🌐 Demo Interaktif

Coba model langsung melalui aplikasi Gradio yang telah di-deploy:

👉 Buka Demo →

---

📁 File dalam Repository

File	Deskripsi
iris_linear_regression_model.pkl	File model terlatih (joblib format)

---

✍️ Informasi

• Author: verisimb
• Mata Kuliah: Pemrograman Web Framework — Semester 4