Recursive Feature Elimination untuk Memilih Peubah Cuaca Terpenting Penentu Hasil Panen Teh

Info proyek

• Bidang studiPertanian dan Perkebunan
• JenjangTesis (S2)
• Jenis metodeReduksi Dimensi
• Perkiraan pengerjaan± 5 hari kerja
• Perangkatscikit-learn RFECV, RFE, LogisticRegression
• HargaRp 350.000 - Rp 2.150.000

Tujuan analisis

Menyisihkan fitur secara rekursif untuk menentukan peran suhu rata-rata dan lama penyinaran matahari terhadap hasil panen teh.

Variabel

Contoh hasil

• 4Optimal features
• 6Features removed
• 0.925CV R2 (best)
• 0.934R2 (test)
• 5.1RMSE (test)
• 1True recall

RFE menyisakan 4 dari 10 prediktor untuk Hasil panen teh dengan R2 validasi silang 0.925 dan R2 uji 0.934.

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

Tentang Recursive Feature Elimination

Recursive Feature Elimination membuang fitur paling tidak penting secara bertahap berdasarkan bobot model sampai tersisa jumlah yang diinginkan. Cocok untuk memilih subset fitur dari model apa pun yang punya koefisien atau pentingnya fitur.

Langkah pengerjaan

1. 1Standarisasi fitur dan bagi data latih dan uji
2. 2Pilih estimator dasar (misalnya regresi logistik)
3. 3Jalankan RFECV dengan validasi silang
4. 4Lihat jumlah fitur optimal dan peringkat fitur
5. 5Latih ulang dengan fitur terpilih lalu evaluasi pada data uji
6. 6Plot skor validasi terhadap jumlah fitur

Asumsi yang perlu diperiksa

• Estimator dasar menyediakan bobot atau pentingnya fitur
• Seleksi dilakukan pada data latih saja
• Fitur berkorelasi dapat saling menggantikan sehingga peringkat tidak unik

Membaca dan melaporkan hasil

Laporkan jumlah fitur optimal, daftar fitur terpilih, dan skor data uji dibandingkan model penuh. Jelaskan estimator dasar yang dipakai karena memengaruhi peringkat.

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 matplotlib.pyplot as plt
from sklearn.datasets import make_classification
from sklearn.feature_selection import RFECV
from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split, StratifiedKFold
from sklearn.metrics import accuracy_score

X, tea_yield = make_classification(n_samples=400, n_features=15, n_informative=4,
                               n_redundant=2, random_state=24)
mean_temperature = X[:, 0]
sunshine_duration = X[:, 1]

X_tr, X_te, y_tr, y_te = train_test_split(X, tea_yield, test_size=0.25, stratify=tea_yield, random_state=24)
sc = StandardScaler().fit(X_tr)
Xs_tr, Xs_te = sc.transform(X_tr), sc.transform(X_te)

est = LogisticRegression(max_iter=1000)
rfecv = RFECV(est, step=1, cv=StratifiedKFold(5), scoring="accuracy").fit(Xs_tr, y_tr)
print("Optimal number of features:", rfecv.n_features_)
print("Selected:", np.flatnonzero(rfecv.support_))

acc_sel = accuracy_score(y_te, rfecv.predict(Xs_te))
acc_full = accuracy_score(y_te, est.fit(Xs_tr, y_tr).predict(Xs_te))
print("Test accuracy selected:", round(acc_sel, 3), "full:", round(acc_full, 3))

scores = rfecv.cv_results_["mean_test_score"]
plt.plot(range(1, len(scores) + 1), scores, marker="o")
plt.xlabel("Number of features"); 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