Pembelajaran Terawasi dengan Scikit-Learn
Bangun dan evaluasi model pembelajaran terawasi seperti regresi linear dan klasifikasi
Pembelajaran Terawasi dengan Scikit-Learn adalah pelajaran Python For Kids gratis di CoddyKit. Ini adalah pelajaran 2 dari 6. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Python For Kids, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Python For Kids mencakup 6 pelajaran total.
Pembelajaran Terawasi dengan Scikit-Learn
Pembelajaran terawasi mencakup pelatihan model menggunakan data berlabel untuk membuat prediksi atau mengklasifikasikan titik data. Scikit-learn adalah pustaka Python 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 input memiliki output yang sesuai. Tujuannya adalah mempelajari pemetaan dari input ke output.
Tugas yang umum meliputi:
- Regresi: Memprediksi nilai kontinu, misalnya harga rumah.
- Klasifikasi: Memprediksi kategori, misalnya spam atau bukan spam.
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 buat 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 surel merupakan spam 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 adalah model serbaguna yang dapat menangani tugas regresi maupun klasifikasi. Mari kita buat 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:
- Mean Squared Error (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))Pemisahan Pelatihan-Pengujian
Selalu bagi kumpulan data Anda menjadi set pelatihan dan 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 set pelatihan dan pengujian.
- Membuat model terlalu sesuai dengan data pelatihan dengan menggunakan algoritma yang terlalu kompleks.
- Menggunakan data dengan pelabelan buruk untuk pelatihan.
Apa yang Telah Kita Pelajari?
Dalam pelajaran ini, Anda telah mempelajari:
- Cara membangun model regresi dan klasifikasi menggunakan Scikit-learn.
- Cara mengevaluasi kinerja model menggunakan metrik seperti MSE dan akurasi.
- Pentingnya membagi data menjadi set pelatihan dan pengujian.
- Kesalahan umum yang perlu dihindari dalam tugas pembelajaran terawasi.
Kerja bagus! Mari lanjut ke topik berikutnya.
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Pembelajaran Terawasi dengan Scikit-Learn” gratis?
Ya — teks lengkap “Pembelajaran Terawasi dengan Scikit-Learn” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Python For Kids, upgrade ke CoddyKit PRO. Kursus Python For Kids mencakup 6 pelajaran total.
Apa yang akan aku pelajari di “Pembelajaran Terawasi dengan Scikit-Learn”?
Bangun dan evaluasi model pembelajaran terawasi seperti regresi linear dan klasifikasi Kamu berlatih Python For Kids dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Python For Kids?
Tidak diperlukan pengalaman sebelumnya. Python For Kids di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 6.
Berapa lama pelajaran “Pembelajaran Terawasi dengan Scikit-Learn” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Python For Kids ini?
Ya. Setiap pelajaran Python For Kids menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Pengenalan Pembelajaran Mesin
- Pembelajaran Terawasi dengan Scikit-Learn
- Pembelajaran Tak Terawasi
- Rekayasa dan Seleksi Fitur
- Pengenalan Jaringan Saraf
- Pengenalan TensorFlow dan Keras