Pengantar Pembelajaran Mesin dalam R

Pembelajaran mesin memungkinkan komputer mempelajari pola dari data dan membuat prediksi. R menyediakan banyak pustaka untuk pembelajaran mesin, termasuk caret dan randomForest.

Memuat Paket Caret

Paket caret menyederhanakan alur kerja pembelajaran mesin dalam R.

library(caret)
data(iris)

Membagi Data Menjadi Set Pelatihan dan Pengujian

Pembagian data memastikan evaluasi model yang tepat dengan melakukan pelatihan dan pengujian secara terpisah.

set.seed(123)
trainIndex <- createDataPartition(iris$Species, p=0.8, list=FALSE)
trainData <- iris[trainIndex,]
testData <- iris[-trainIndex,]

Membangun Model Pohon Keputusan

Pohon keputusan mengklasifikasikan data dengan membagi fitur pada titik keputusan.

library(rpart)
model <- rpart(Species ~ ., data=trainData)
plot(model)
text(model)

Melatih Model Hutan Acak

Hutan acak meningkatkan kinerja pohon keputusan dengan menggabungkan beberapa model.

library(randomForest)
rf_model <- randomForest(Species ~ ., data=trainData)
print(rf_model)

Membuat Prediksi

Gunakan predict() untuk membuat prediksi pada data baru.

predictions <- predict(rf_model, newdata=testData)

Mengevaluasi Akurasi Model

Akurasi mengukur seberapa baik kinerja model pada data pengujian.

confusionMatrix(predictions, testData$Species)

Penyetelan Hyperparameter

Gunakan train() untuk mengoptimalkan parameter model agar kinerjanya lebih baik.

tuned_model <- train(Species ~ ., data=trainData, method='rf', tuneLength=3)

Ringkasan

Dalam pelajaran ini, Anda telah mempelajari:

• Cara membagi data menjadi set pelatihan dan pengujian.
• Cara membangun model pohon keputusan dan hutan acak.
• Cara mengevaluasi kinerja model dan menyetel hyperparameter.