Random Forest TreeBagger untuk Klasifikasi Tahap Tidur dari Fitur Sinyal Simulasi

Info proyek

• Bidang studiTeknik Biomedis
• JenjangDisertasi (S3)
• Jenis metodeMachine Learning
• Perkiraan pengerjaan± 7 hari kerja
• PerangkatTreeBagger, oobError, predict (Statistics and Machine Learning Toolbox)
• HargaRp 650.000 - Rp 4.050.000

Tujuan analisis

Membangun model Random Forest untuk memprediksi tahap tidur dari fitur daya delta dan daya teta pada data sintetis.

Variabel

Contoh hasil

• 0.081OOB error
• 0.933Test accuracy
• 0.934Macro F1
• 60Trees
• 3.703Importance Delta power
• 3.404Importance Theta power

Random forest 60 pohon memprediksi kelas Sleep stage dengan galat OOB 0.081 dan akurasi uji 0.933 (F1 makro 0.934); Delta power dan Theta power terbukti jauh lebih penting daripada dua prediktor derau.

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

Tentang Random Forest (TreeBagger)

TreeBagger membangun random forest dari banyak pohon keputusan dengan bootstrap dan memberi galat out-of-bag serta pentingnya variabel. Cocok untuk klasifikasi atau regresi tabular dengan hubungan nonlinear dan interaksi.

Langkah pengerjaan

1. 1Siapkan fitur dan label, bagi data latih dan uji
2. 2Latih TreeBagger dengan ratusan pohon dan OOBPredictorImportance
3. 3Pantau galat out-of-bag terhadap jumlah pohon
4. 4Prediksi data uji dan hitung akurasi serta confusion matrix
5. 5Baca pentingnya variabel (OOBPermutedPredictorDeltaError)
6. 6Plot galat OOB dan pentingnya fitur

Asumsi yang perlu diperiksa

• Data latih mewakili populasi sasaran
• Tidak ada kebocoran target ke fitur
• Jumlah pohon cukup agar galat OOB stabil

Membaca dan melaporkan hasil

Laporkan galat OOB, akurasi data uji, dan variabel paling penting. Jelaskan bahwa pentingnya variabel menunjukkan kontribusi prediktif, bukan sebab-akibat.

Contoh kode MATLAB

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

rng(7);
n = 500;
delta_power = randn(n, 1);
theta_power = randn(n, 1);
x3 = randn(n, 1);
X = [delta_power theta_power x3];
sleep_stage = double(delta_power.^2 + theta_power + 0.3*randn(n, 1) > 0.8);

cv = cvpartition(sleep_stage, 'HoldOut', 0.25);
Xtr = X(training(cv), :);  ytr = sleep_stage(training(cv));
Xte = X(test(cv), :);      yte = sleep_stage(test(cv));

b = TreeBagger(200, Xtr, ytr, 'Method', 'classification', ...
    'OOBPrediction', 'on', 'OOBPredictorImportance', 'on', 'MinLeafSize', 3);
pred = str2double(predict(b, Xte));
fprintf('OOB error = %.3f\n', oobError(b, 'Mode', 'ensemble'));
fprintf('Test accuracy = %.3f\n', mean(pred == yte));
disp(confusionmat(yte, pred));
disp(b.OOBPermutedPredictorDeltaError);

figure;
subplot(1,2,1); plot(oobError(b)); xlabel('Number of trees'); ylabel('OOB error');
subplot(1,2,2); bar(b.OOBPermutedPredictorDeltaError);
set(gca, 'XTickLabel', {'x1', 'x2', 'x3'}); ylabel('Importance');

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