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, grafik akurasi KANN untuk berbagai nilai KA, yang membantu kita memilih KA terbaik. Di episode ini kita juga membuat model deteksikan kerpayudara dengan logistic regression, dan filter spam email berbahasa Indonesia dengan naive base. Ayo kita mulai. Halo, selamat datang di episode ke-6 seri machine learning dengan Python. Kalau regresi memprediksi angka, klasifikasi memprediksi kategori, spam atau bukan, jinak atau ganas, jenis bunga, dan sebagainya. Di episode ini kita belajar tiga algoritma klasifikasi klasik, logistic regression yang berbasis probabilitas, KANN yang berbasis kedekatan, dan naive base yang berbasis teorema base.
Langkah 1: Fungsi sigmoid
Kita buat file sigmoid.py. Logistic regression menghitung skor linier seperti regresi biasa, lalu memasukkannya ke fungsi sigmoid. Sigmoid mengubah angka berapapun menjadi nilai antara 0 dan 1, sehingga bisa dibaca sebagai probabilitas. Jika probabilitas di atas 0,5, prediksinya kelas 1, jika di bawah, kelas 0. Garis putus-putus di grafik adalah ambang atau threshold itu. Sekarang kasus nyata, detaset kanker payudara bawaan scikit-learn, 569 pasien dengan 30 fitur hasil pemeriksaan sel.
Langkah 2: Logistic Regression deteksi kanker
Buat file kanker.py. Kita bagi data dengan stratifi supaya proporsi jinak dan gana sama di data latih dan uji. Fitur kita standarisasi dengan pipeline, lalu latih logistic regression. Akurasinya hampir 99%. Kelebihan logistic regression adalah bisa memberi probabilitas lewat pridik proba.
Langkah 3: Probabilitas dan confusion matrix
Untuk 5 pasien pertama, kita lihat peluang ganas dan jinaknya. Confusion matrix menunjukkan berapa yang ditebak benar dan salah untuk tiap kelas. Kita bahas lebih dalam di episode evaluasi model.
“ Langkah 4: KNN dan pentingnya scaling
Algoritma kedua, KNRS neighbors atau KANN. Idenya sederhana. Untuk menebak data baru, lihat KA tetangga terdekatnya, lalu ambil suara terbanyak. Buat file KNN.py. KNN berbasis jarak, jadi scaling sangat penting. Kita bandingkan akurasi tanpa dan dengan standar scaler, dan hasilnya naik cukup jauh setelah fitur distandardisasi. Penilai KA terbaik?
Langkah 5: Memilih nilai K terbaik
Kita coba KA dari 1 sampai 30 dan menggambar akurasi data latih dan data uji. KA 1 menghafal data latih, akurasi latihnya sempurna tapi rawan overfitting. KA terlalu besar membuat model terlalu umum. Kita pilih KA dengan akurasi uji tertinggi.
Langkah 6: Filter spam dengan Naive Bayes
Algoritma ketiga, Knife Base, sangat populer untuk klasifikasi teks. Buat file spam.py. Kita punya 12 contoh pesan berbahasa Indonesia berlabel spam atau bukan. Count Factorizer mengubah teks menjadi hitungan kata. Lalu Multinomial NBI menghitung peluang setiap kata muncul di spam dan bukan spam. Kita coba 3 pesan baru, dan model langsung mengenali pesan berhadiah sebagai spam.
Selesai!
Selesai. Kita sudah belajar fungsi sigmoid dan logistic regression, probabilitas prediksi, KNN beserta pentingnya scaling dan pemilihan KA, serta filter spam dengan Knife Base. Di episode berikutnya kita belajar model yang sangat mudah dipahami manusia, decision tree dan random forest.
Pl ni Pi ata 0
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.
