Pemodelan jumlah titik panas kebakaran lahan gambut dengan pendekatan Regresi Ridge dan Lasso

Info proyek

• Bidang studiGeografi dan Kebencanaan
• JenjangTesis (S2)
• Jenis metodeRegresi
• Perkiraan pengerjaan± 5 hari kerja
• Perangkatscikit-learn RidgeCV, LassoCV, StandardScaler, make_pipeline
• HargaRp 350.000 - Rp 2.350.000

Tujuan analisis

Memodelkan jumlah titik panas dari suhu permukaan dan kedalaman muka air tanah menggunakan Regresi Ridge dan Lasso, lalu menilai ketepatan prediksi dengan RMSE dan R².

Variabel

Contoh hasil

• 0.911R2 Lasso (test)
• 0.909R2 Ridge (test)
• 0.295RMSE Lasso (std.)
• 0.018Best alpha
• 4Non-zero coefs
• 0.097CV MSE min

Lasso memilih 4 dari 6 prediktor untuk Jumlah titik panas dengan alpha 0.018 (R2 uji 0.911), sedangkan Ridge menghasilkan R2 0.909.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Regresi Ridge dan Lasso

Ridge dan Lasso adalah regresi linear dengan penalti L2 dan L1 untuk mengendalikan overfitting dan kolinearitas. Dipakai saat prediktor banyak atau saling berkorelasi, dan Lasso sekaligus menyeleksi variabel.

Langkah pengerjaan

1. 1Standarisasi semua prediktor
2. 2Bagi data latih dan uji
3. 3Pilih kekuatan penalti alpha dengan validasi silang (RidgeCV, LassoCV)
4. 4Latih model Ridge dan Lasso pada alpha terpilih
5. 5Bandingkan RMSE dan R2 dengan regresi biasa
6. 6Tampilkan koefisien dan variabel yang dikeluarkan Lasso

Asumsi yang perlu diperiksa

• Prediktor harus distandarisasi sebelum penalti diterapkan
• Hubungan dengan variabel terikat kurang lebih linear
• Alpha dipilih dari data latih saja agar tidak bocor ke data uji

Membaca dan melaporkan hasil

Laporkan alpha terpilih, metrik data uji, dan koefisien yang menyusut atau menjadi nol. Jelaskan bahwa koefisien bias demi varians yang lebih kecil sehingga tidak ditafsirkan sama seperti OLS.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import RidgeCV, LassoCV, LinearRegression
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

rng = np.random.default_rng(1)
n, p = 150, 10
X = rng.normal(size=(n, p))
X[:, 1] = X[:, 0] + rng.normal(0, 0.1, n)   # collinear pair
surface_temperature = X[:, 0]
groundwater_depth = X[:, 1]
hotspot_count = 3 * surface_temperature + 2 * X[:, 2] + rng.normal(0, 1, n)

X_tr, X_te, y_tr, y_te = train_test_split(X, hotspot_count, test_size=0.25, random_state=1)
models = {
    "OLS": make_pipeline(StandardScaler(), LinearRegression()),
    "Ridge": make_pipeline(StandardScaler(), RidgeCV(alphas=np.logspace(-3, 3, 30))),
    "Lasso": make_pipeline(StandardScaler(), LassoCV(cv=5, random_state=1)),
}
coefs = {}
for name, m in models.items():
    m.fit(X_tr, y_tr)
    rmse = mean_squared_error(y_te, m.predict(X_te)) ** 0.5
    coefs[name] = m[-1].coef_
    print(name, "RMSE:", round(rmse, 3))
print("Ridge alpha:", models["Ridge"][-1].alpha_)
print("Lasso alpha:", round(models["Lasso"][-1].alpha_, 4))
print("Lasso zero coefs:", int((coefs["Lasso"] == 0).sum()))

idx = np.arange(p)
for k, (name, c) in enumerate(coefs.items()):
    plt.bar(idx + 0.27 * k, c, width=0.27, label=name)
plt.xlabel("Feature"); plt.ylabel("Coefficient"); plt.legend()
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum