Tuning Hyperparameter dengan GridSearchCV pada Model Prediksi Sisa Umur Baterai Kendaraan Listrik

Info proyek

• Bidang studiTeknik Elektro dan Energi
• JenjangDisertasi (S3)
• Jenis metodeKualitas Data
• Perkiraan pengerjaan± 7 hari kerja
• Perangkatscikit-learn GridSearchCV, Pipeline, cv_results_
• HargaRp 450.000 - Rp 2.850.000

Tujuan analisis

Memeriksa dan memperbaiki kualitas data sisa umur baterai bersama suhu operasi dan arus pengisian dengan Tuning Hyperparameter dengan GridSearchCV.

Variabel

Contoh hasil

• 0.87Best CV accuracy
• 0.818Test accuracy
• 0.1Best C
• 1.585Best gamma
• 0.051CV std (best)
• 180Model fits

GridSearchCV mencoba 36 kombinasi C dan gamma SVM; terbaik C = 0.1, gamma = 1.6 dengan akurasi validasi silang 0.870 dan akurasi uji 0.818.

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

Tentang Tuning Hyperparameter dengan GridSearchCV

GridSearchCV mencoba semua kombinasi hyperparameter dari kisi yang ditentukan dengan validasi silang untuk memilih konfigurasi terbaik. Dipakai agar pemilihan parameter model objektif, bukan coba-coba.

Langkah pengerjaan

1. 1Tentukan model dan metrik evaluasi
2. 2Bagi data latih dan uji, simpan data uji hingga akhir
3. 3Susun kisi hyperparameter yang masuk akal
4. 4Jalankan GridSearchCV dengan validasi silang pada data latih
5. 5Lihat parameter terbaik dan hasil tiap kombinasi
6. 6Evaluasi model terbaik sekali pada data uji

Asumsi yang perlu diperiksa

• Data uji tidak dipakai selama penyetelan
• Kisi mencakup rentang yang cukup, bukan hanya sekitar nilai bawaan
• Biaya komputasi naik cepat dengan banyaknya kombinasi

Membaca dan melaporkan hasil

Laporkan kisi yang dicoba, skema validasi silang, parameter terbaik, skor validasi, dan skor data uji. Bila waktu terbatas, jelaskan penggunaan RandomizedSearchCV sebagai alternatif.

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 pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import make_classification
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV, train_test_split, StratifiedKFold
from sklearn.metrics import accuracy_score

X, remaining_battery_life = make_classification(n_samples=500, n_features=10, n_informative=5, random_state=39)
operating_temperature = X[:, 0]
charging_current = X[:, 1]

X_tr, X_te, y_tr, y_te = train_test_split(X, remaining_battery_life, test_size=0.25, stratify=remaining_battery_life, random_state=39)
grid = {"n_estimators": [50, 150], "max_depth": [3, 6, None], "min_samples_leaf": [1, 5]}
gs = GridSearchCV(RandomForestClassifier(random_state=39), grid,
                  cv=StratifiedKFold(5, shuffle=True, random_state=39),
                  scoring="accuracy", n_jobs=1)
gs.fit(X_tr, y_tr)
print("Best params:", gs.best_params_)
print("Best CV accuracy:", round(gs.best_score_, 3))
print("Test accuracy:", round(accuracy_score(y_te, gs.predict(X_te)), 3))

res = pd.DataFrame(gs.cv_results_).sort_values("mean_test_score", ascending=False)
print(res[["params", "mean_test_score", "std_test_score"]].head(5).to_string())

plt.errorbar(range(len(res)), res["mean_test_score"], yerr=res["std_test_score"], fmt="o")
plt.xlabel("Combination (sorted)"); plt.ylabel("CV accuracy")
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