Pembelajaran Terawasi dengan Scikit-Learn

Pembelajaran terawasi mencakup pelatihan model menggunakan data berlabel untuk membuat prediksi atau mengklasifikasikan titik data. Scikit-learn merupakan pustaka Python yang populer untuk menerapkan model pembelajaran terawasi.

Dalam pelajaran ini, Anda akan mempelajari cara membangun dan mengevaluasi model pembelajaran terawasi menggunakan Scikit-learn.

Apa itu Pembelajaran Terawasi?

Pembelajaran terawasi menggunakan data berlabel, dengan setiap masukan memiliki keluaran yang sesuai. Tujuannya adalah mempelajari pemetaan dari masukan ke keluaran.

Tugas yang umum meliputi:

• Regresi: Memprediksi nilai kontinu, misalnya harga rumah.
• Klasifikasi: Memprediksi kategori, misalnya pesan tidak diinginkan atau bukan.

Menyiapkan Scikit-Learn

Instal Scikit-learn menggunakan pip:

pip install scikit-learn

Setelah terinstal, Anda dapat mengimpornya dan mulai membangun model.

Regresi Linear

Regresi linear digunakan untuk memprediksi nilai kontinu. Mari kita bangun model regresi linear sederhana:

# Example: Linear Regression
from sklearn.linear_model import LinearRegression

# Sample data
X = [[1], [2], [3]]
y = [2, 4, 6]

model = LinearRegression()
model.fit(X, y)
print("Predicted value:", model.predict([[4]]))

Regresi Logistik

Regresi logistik digunakan untuk tugas klasifikasi biner, seperti menentukan apakah sebuah email merupakan pesan tidak diinginkan atau bukan.

# Example: Logistic Regression
from sklearn.linear_model import LogisticRegression

# Sample data
X = [[1], [2], [3]]
y = [0, 0, 1]

model = LogisticRegression()
model.fit(X, y)
print("Predicted class:", model.predict([[1.5]]))

Pohon Keputusan

Pohon keputusan merupakan model serbaguna yang dapat menangani tugas regresi dan klasifikasi. Mari kita bangun pengklasifikasi pohon keputusan sederhana:

# Example: Decision Tree Classifier
from sklearn.tree import DecisionTreeClassifier

# Sample data
X = [[1], [2], [3]]
y = [0, 1, 0]

model = DecisionTreeClassifier()
model.fit(X, y)
print("Predicted class:", model.predict([[2.5]]))

Mengevaluasi Model

Scikit-learn menyediakan metrik untuk mengevaluasi kinerja model:

• Galat Kuadrat Rata-rata (MSE): Untuk model regresi.
• Akurasi: Untuk model klasifikasi.

# Example: Evaluating a model
from sklearn.metrics import mean_squared_error

# Predictions
y_true = [2, 4, 6]
y_pred = [2.1, 3.9, 5.8]
print("MSE:", mean_squared_error(y_true, y_pred))

Pembagian Data Pelatihan dan Pengujian

Selalu bagi kumpulan data Anda menjadi data pelatihan dan data pengujian untuk mengevaluasi kinerja model pada data yang belum pernah dilihat:

# Example: Train-Test Split
from sklearn.model_selection import train_test_split

X = [[1], [2], [3], [4]]
y = [0, 1, 0, 1]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
print("Training data:", X_train)

Kesalahan Umum dalam Pembelajaran Terawasi

Berikut beberapa kesalahan yang perlu dihindari:

• Tidak membagi data menjadi data pelatihan dan data pengujian.
• Membuat model terlalu sesuai dengan data menggunakan algoritme yang terlalu kompleks.
• Menggunakan data berlabel buruk untuk pelatihan.

Apa yang Telah Dipelajari?

Dalam pelajaran ini, Anda mempelajari:

• Cara membangun model regresi dan klasifikasi menggunakan Scikit-learn.
• Cara mengevaluasi kinerja model menggunakan metrik seperti MSE dan akurasi.
• Pentingnya membagi data menjadi data pelatihan dan data pengujian.
• Kesalahan umum yang perlu dihindari dalam tugas pembelajaran terawasi.

Bagus! Mari kita lanjutkan ke topik berikutnya.