Seleksi Fitur dengan Lasso untuk Menentukan Indikator Utama intensitas diskusi pada diskusi isu publik di media sosial

Info proyek

• Bidang studiKomunikasi dan Media Sosial
• JenjangTesis (S2)
• Jenis metodeReduksi Dimensi
• Perkiraan pengerjaan± 5 hari kerja
• Perangkatscikit-learn LassoCV, lasso_path, SelectFromModel
• HargaRp 350.000 - Rp 2.250.000

Tujuan analisis

Menyeleksi indikator yang paling berpengaruh terhadap intensitas diskusi pada diskusi isu publik di media sosial, termasuk jumlah komentar dan jumlah tagar, dengan penalti Lasso.

Variabel

Contoh hasil

• 7Selected / total
• 0.008Best alpha
• 0.965R2 (test)
• 0.191RMSE (test, std.)
• 0.04CV MSE min
• 1True recall

Lasso memilih 7 dari 10 prediktor untuk intensitas diskusi (alpha 0.008), dengan R2 uji 0.965; 100% prediktor yang benar-benar berpengaruh berhasil terpilih.

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

Tentang Seleksi Fitur dengan Lasso

Seleksi fitur dengan Lasso memakai penalti L1 sehingga koefisien fitur yang tidak penting menjadi tepat nol. Cocok ketika jumlah prediktor banyak dan peneliti ingin subset variabel yang ringkas untuk model akhir.

Langkah pengerjaan

1. 1Standarisasi semua fitur
2. 2Bagi data latih dan uji
3. 3Pilih alpha dengan LassoCV pada data latih
4. 4Catat fitur dengan koefisien tidak nol
5. 5Latih ulang model hanya dengan fitur terpilih dan evaluasi pada data uji
6. 6Plot jalur koefisien terhadap alpha

Asumsi yang perlu diperiksa

• Fitur harus distandarisasi
• Fitur yang berkorelasi tinggi dapat dipilih secara acak oleh Lasso
• Seleksi dilakukan hanya pada data latih agar tidak bocor

Membaca dan melaporkan hasil

Laporkan alpha terbaik, daftar fitur terpilih, serta perbandingan galat dengan model penuh. Catat bahwa fitur terpilih menunjukkan kegunaan prediktif, bukan hubungan sebab-akibat.

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.linear_model import LassoCV, lasso_path, LinearRegression
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

rng = np.random.default_rng(23)
n, p = 200, 20
X = rng.normal(size=(n, p))
number_of_comments = X[:, 0]
number_of_hashtags = X[:, 1]
discussion_intensity = 4 * number_of_comments - 3 * number_of_hashtags + 2 * X[:, 2] + rng.normal(0, 1, n)

X_tr, X_te, y_tr, y_te = train_test_split(X, discussion_intensity, test_size=0.25, random_state=23)
sc = StandardScaler().fit(X_tr)
Xs_tr, Xs_te = sc.transform(X_tr), sc.transform(X_te)

lasso = LassoCV(cv=5, random_state=23).fit(Xs_tr, y_tr)
sel = np.flatnonzero(lasso.coef_)
print("Best alpha:", round(lasso.alpha_, 4))
print("Selected features:", sel)

rmse_full = mean_squared_error(y_te, LinearRegression().fit(Xs_tr, y_tr).predict(Xs_te)) ** 0.5
rmse_sel = mean_squared_error(y_te, LinearRegression().fit(Xs_tr[:, sel], y_tr).predict(Xs_te[:, sel])) ** 0.5
print("RMSE full:", round(rmse_full, 3), "RMSE selected:", round(rmse_sel, 3))

alphas, coefs, _ = lasso_path(Xs_tr, y_tr)
plt.plot(np.log10(alphas), coefs.T)
plt.axvline(np.log10(lasso.alpha_), color="k", ls="--")
plt.xlabel("log10(alpha)"); plt.ylabel("Coefficient")
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