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, sebuah pohon keputusan yang bisa dibaca manusia, berisi pertanyaan-pertanyaan sederhana tentang kandungan kimia anggur untuk menebak jenisnya. Kita juga membangun random forest, kumpulan ratusan pohon yang saling memberi suara, dan melihat fitur mana yang paling penting. Ayo kita mulai. Halo, selamat datang di episode ke-7 seri Machine Learning dengan Python. Kali ini kita belajar decision tree, model yang bekerja seperti permainan 20 pertanyaan. Apakah kadar alkoholnya di atas sekian? Jika ya, ke kiri, jika tidak, ke kanan. Model ini sangat mudah dijelaskan, tapi gampang overfitting. Solusinya adalah random forest yang menggabungkan banyak pohon menjadi satu model yang kuat.
Langkah 1: Melatih Decision Tree
Kita buat file pohon.py. Datanya detaset wine bawaan scikit-learn, 178 anggur dari 3 jenis, dengan 13 fitur kimia seperti kadar alkohol, flavonoid, dan intensitas warna. Kita latih decision tree dengan kedalaman maksimum 3 supaya pohonnya mudah dibaca. Lalu kita cetak aturannya dalam bentuk teks dengan ekspor teks.
Langkah 2: Menggambar pohon keputusan
Lebih jelas lagi dengan gambar. Fungsi plot tree menggambar seluruh pohon. Setiap kotak berisi pertanyaan, nilai gini, jumlah sampel, dan kelas mayoritas. Gini mengukur seberapa campur isi sebuah kotak, 0 berarti murni satu kelas. Pohon selalu memilih pertanyaan yang paling menurunkan kecampuran ini. Warna kotak menunjukkan kelasnya, semakin pekat semakin murni.
Langkah 3: Overfitting dan max depth
Apa yang terjadi jika pohon dibiarkan tumbuh tanpa batas? Buat file kedalaman.py Kita coba max depth dari 1 sampai 15, lalu bandingkan akurasi latih dan uji. Akurasi latih naik sampai 100%, tapi akurasi uji justru mencapai puncak di kedalaman 3 lalu turun. Pohon yang terlalu dalam menghafal data latih, inilah overfitting pada decision tree.
Langkah 4 Random Forest vs satu pohon
Random forest mengatasi masalah ini. Buat file hutan.py Idenya, latih ratusan pohon, masing-masing dengan sampel data acak dan fitur acak, lalu gabungkan suara mereka. Kesalahan tiap pohon saling menutupi. Kita bandingkan satu pohon tanpa batas dengan random forest 200 pohon, memakai cross-validation 5 lipatan supaya hasilnya lebih bisa dipercaya. Random forest menang jelas.
Langkah 5: Feature importance
Bonus dari model berbasis pohon adalah feature importance. Seberapa besar setiap fitur membantu mengurangi kecampuran di seluruh pohon. Kita urutkan dan gambar sebagai diagram batang. Fitur seperti proline, flavonoid, dan intensitas warna ternyata paling menentukan jenis anggur.
Selesai!
Selesai. Kita sudah belajar cara kerja di decision tree, membaca pohon dan nilai gini, melihat overfitting lewat max depth, serta memakai random forest dan feature importance. Satu hal lagi, model berbasis pohon tidak butuh scaling fitur. Di episode berikutnya kita belajar support vector machine dan kernel tree. 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.
