Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, tiga grafik yang menjelaskan salah satu konsep terpenting machine learning, yaitu underfitting, good fit, dan overfitting. Sebelumnya kita juga membangun model regresi yang memprediksi penjualan dari biaya iklan TV, radio, dan koran, lengkap dengan cara membaca koefisien dan mengevaluasi modelnya. Ayo kita mulai. Halo, selamat datang di episode kelima seri machine learning dengan Python. Kita masuk ke superviset learning yang pertama, regresi, yaitu memprediksi nilai angka seperti harga, suhu, atau penjualan. Kita mulai dari regresi linier sederhana, lanjut ke regresi berganda, belajar mengevaluasi model dengan MAI, RMSI, dan R², lalu menangani hubungan melengkung dengan regresi polinomial. Kita buat file iklan.pe.
Langkah 1: Data iklan dan penjualan
Datanya 200 toko dengan biaya iklan TV, radio, dan koran, serta penjualannya, dalam juta rupiah. Kita simpan juga ke CSV supaya bisa dipakai file lain. Pertanyaannya, jika biaya iklan dinaikkan, berapa kenaikan penjualannya?
Langkah 2: Regresi linear sederhana
Regresi linier sederhana mencari garis lurus terbaik, Y topi sama dengan W kali X tambah B. Kita latih linier regression dengan satu fitur, iklan TV. Perhatikan X besar ditulis dengan kurung siku ganda, karena scikit-learn butuh X besar 2 dimensi. Koefisiennya sekitar 0,5. Setiap tambahan 1 juta iklan TV menaikkan penjualan sekitar setengah juta. Grafiknya menunjukkan garis merah yang membelah awan titik data.
Langkah 3: Regresi berganda dan koefisien
Penjualan biasanya dipengaruhi banyak hal, jadi kita pakai regresi berganda. Buat file berganda.py. Kita pakai ketiga fitur, bagi data latih dan uji, lalu latih model. Lihat koefisiennya, TV sekitar 0,45, radio hampir 2, dan koran mendekati 0. Artinya per rupiah, iklan radio paling efektif, sedangkan iklan koran tidak berpengaruh. Rekomendasi bisnisnya jelas, pindahkan anggaran koran ke radio.
Langkah 4: Evaluasi MAE, RMSE, R2
Model harus dievaluasi pada data uji. MAI adalah rata-rata besar kesalahan, RMSI menghukum kesalahan besar lebih berat, keduanya dalam satuan juta rupiah. R kuadrat menyatakan seberapa banyak variasi penjualan yang dijelaskan model, dari 0 sampai 1. Selalu bandingkan dengan baseline, yaitu menebak rata-rata saja. Baseline punya R kuadrat sekitar 0, bahkan sedikit negatif, sedangkan model kita 0,94.
Langkah 5: Analisis residual
Kita cek residual, yaitu selisih nilai asli dan prediksi. Grafik kiri membandingkan nilai asli dan prediksi, titiknya rapat di sekitar garis diagonal. Grafik kanan memperlihatkan residual yang tersebar acak di sekitar 0 tanpa pola. Ini tanda asumsi regresi linier terpenuhi.
Langkah 6: Regresi polinomial
Bagaimana jika hubungannya melengkung? Buat file polynomial.py Kita buat 20 titik data dari kurva sinus. Trik regresi polinomial adalah menambahkan fitur pangkat, x kuadrat, x pangkat 3, dan seterusnya, dengan polinomial features, lalu tetap memakai regresi linier. Kita bandingkan 3 derajat, 1, 4, dan 15, dan menghitung R kuadrat di data latih dan data uji. Inilah pelajaran terpenting hari ini.
Langkah 7: Underfitting vs overfitting
Derajat 1 terlalu sederhana, garis lurus tidak bisa mengikuti kurva, underfitting. Derajat 4 pas mengikuti pola aslinya, good fit. Derajat 15 meliuk-liuk melewati hampir semua titik latih, skor latihnya nyaris sempurna, tapi skor ujinya justru anjlok, overfitting, seperti siswa yang menghafal soal latihan tanpa memahami konsepnya.
" Selesai!
Selesai. Kita sudah belajar regresi linier sederhana dan berganda, membaca koefisien, mengevaluasi dengan MAI, RMSI, dan R kuadrat, memeriksa residual, serta regresi polinomial dan bahaya overfitting. Di episode berikutnya kita masuk ke klasifikasi dengan logistic regression, KNN, dan naive base. Ingin menguasai machine learning dan data science? Cerdas inovasi digital membuka kursus Python, machine learning, dan AI dari dasar, jasa pembuatan model prediksi, analisis data, dan aplikasi AI untuk bisnis maupun penelitian, serta menjual source code lengkap tutorial ini. Ingin menguasai seluruh seri ini, dari pengenalan machine learning sampai diplo model ke web? Semua 18 episode, lengkap dengan PDF panduan langkah demi langkah, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
52 kelas video1.276 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
