Support Vector Machine dalam Mengklasifikasikan tingkat perkembangan desa wisata dari jumlah atraksi dan jarak ke kota

Info proyek

• Bidang studiPariwisata dan Perhotelan
• JenjangTesis (S2)
• Jenis metodeKlasifikasi
• Perkiraan pengerjaan± 5 hari kerja
• Perangkatscikit-learn SVC, GridSearchCV, StandardScaler, DecisionBoundaryDisplay
• HargaRp 400.000 - Rp 2.550.000

Tujuan analisis

Mengklasifikasikan tingkat perkembangan desa wisata dari jumlah atraksi dan jarak ke kota dengan Support Vector Machine dan membandingkan pilihan kernel.

Variabel

Contoh hasil

• 0.956Accuracy
• 0.957Precision
• 0.957Recall
• 0.957F1-score
• 0.97ROC AUC
• 32Support vectors

Model SVM (kernel RBF) mengklasifikasikan tingkat perkembangan desa wisata (rendah/tinggi) dari jumlah atraksi dan jarak ke kota dengan akurasi uji 0.956, F1 0.957 dan AUC 0.970. Terdapat 32 support vector.

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

Tentang Support Vector Machine

Support Vector Machine mencari hyperplane pemisah dengan margin terbesar, dan kernel memungkinkan batas keputusan nonlinear. Cocok untuk klasifikasi dengan data berukuran kecil sampai menengah dan fitur berdimensi tinggi.

Langkah pengerjaan

1. 1Standarisasi fitur
2. 2Bagi data latih dan uji secara berstrata
3. 3Setel C dan gamma (kernel RBF) dengan GridSearchCV
4. 4Latih SVC pada parameter terbaik
5. 5Evaluasi akurasi, F1, dan confusion matrix
6. 6Gambar batas keputusan bila fitur dua dimensi

Asumsi yang perlu diperiksa

• Fitur harus distandarisasi karena SVM peka terhadap skala
• C dan gamma harus disetel lewat validasi silang
• Probabilitas keluaran SVM hanya perkiraan kalibrasi

Membaca dan melaporkan hasil

Laporkan kernel, parameter terbaik, metrik data uji, dan jumlah support vector. Jelaskan bahwa model bersifat kotak hitam sehingga interpretasi fitur terbatas.

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.svm import SVC
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.model_selection import GridSearchCV, train_test_split
from sklearn.metrics import accuracy_score, f1_score

rng = np.random.default_rng(41)
n = 300
number_of_attractions = rng.normal(0, 1, n)
distance_to_city = rng.normal(0, 1, n)
tourism_village_development_ = ((number_of_attractions ** 2 + distance_to_city ** 2) > 1.2).astype(int)

X = np.column_stack([number_of_attractions, distance_to_city])
X_tr, X_te, y_tr, y_te = train_test_split(X, tourism_village_development_, test_size=0.25, stratify=tourism_village_development_, random_state=41)
pipe = make_pipeline(StandardScaler(), SVC(kernel="rbf"))
grid = {"svc__C": [0.1, 1, 10, 100], "svc__gamma": [0.01, 0.1, 1]}
gs = GridSearchCV(pipe, grid, cv=5).fit(X_tr, y_tr)
pred = gs.predict(X_te)
print("Best params:", gs.best_params_)
print("Accuracy:", round(accuracy_score(y_te, pred), 3), "F1:", round(f1_score(y_te, pred), 3))
print("Support vectors:", gs.best_estimator_[-1].n_support_)

gx, gy = np.meshgrid(np.linspace(-3, 3, 200), np.linspace(-3, 3, 200))
zz = gs.predict(np.c_[gx.ravel(), gy.ravel()]).reshape(gx.shape)
plt.contourf(gx, gy, zz, alpha=0.3)
plt.scatter(X_te[:, 0], X_te[:, 1], c=y_te, edgecolor="k")
plt.xlabel("x1"); plt.ylabel("x2")
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