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 yang memperlihatkan bagaimana akurasi model berubah sesuai jumlah fitur yang dipilih, dengan tiga metode seleksi fitur. Sebelumnya kita juga membuktikan bahwa fitur baru yang dibuat dengan cerdas bisa melipatgandakan kemampuan model, tanpa mengganti algoritmanya sama sekali. Ayo kita mulai. Halo, selamat datang di episode ke-12 seri Machine Learning dengan Python. Ada ungkapan terkenal, data dan fitur menentukan batas atas sebuah model, algoritma hanya mendekati batas itu. Di episode ini kita belajar fitur engineering, yaitu membuat fitur baru yang lebih bermakna, dan fitur selection, yaitu memilih fitur yang benar-benar berguna dan membuang sisanya.
Langkah 1: Data penjualan kafe
Kita buat file fitur.pe. Datanya penjualan harian sebuah kafe selama 2 tahun, berisi tanggal, suhu, harga promo, dan jumlah pengunjung. Penjualan sebenarnya dipengaruhi akhir pekan, musim liburan di bulan tertentu, dan suhu. Masalahnya, kolom tanggal mentah tidak bisa langsung dipahami model.
Langkah 2: Membuat fitur baru
Kita coba dulu model dasar dengan fitur mentah saja. Suhu, harga, dan pengunjung, memakai regresi linier. R kuadratnya rendah, hanya sekitar 0,3. Sekarang fitur engineering. Dari tanggal kita buat fitur hari dalam minggu, penanda akhir pekan, dan bulan. Kita buat juga fitur rasio, yaitu harga per pengunjung, dan fitur suhu kuadrat karena penjualan es kopi tidak naik lurus terhadap suhu. Bulan kita ubah dengan one hot encoding, karena bulan 12 tidak berarti lebih besar dari bulan 1. Lihat perbandingannya.
Langkah 3: Perbandingan sebelum dan sesudah
Dengan model yang sama persis, R kuadrat melonjak tajam setelah fitur baru ditambahkan. Inilah kekuatan fitur engineering, memasukkan pemahaman kita tentang masalah ke dalam data.
Langkah 4: Korelasi antar fitur
Sekarang fitur selection. Buat file seleksi .py. Kita pakai detasetkan kerpayudara yang punya 30 fitur. Pertama lihat korelasi antar fitur. Hitmap memperlihatkan banyak fitur yang saling berkorelasi sangat tinggi, misalnya radius, perimeter, dan area, yang pada dasarnya membawa informasi yang sama.
Langkah 5: SelectKBest, mutual information, FE
Ada tiga pendekatan seleksi fitur. Metode filter, seperti sila k-best dengan uji F atau mutual information, menilai setiap fitur secara terpisah terhadap target. Metode uraper, seperti RFI atau rekursive feature elimination, melatih model berulang kali dan membuang fitur terlemas satu per satu. Kita lihat lima fitur teratas menurut masing-masing metode. Berapa fitur yang sebenarnya dibutuhkan?
Langkah 6: Jumlah fitur optimal
Kita uji jumlah fitur dari 1 sampai 30 dengan cross-validation untuk ketiga metode, lalu menggambarnya. Ternyata dengan 10 fitur saja, akurasinya hanya sedikit di bawah ke 30 fitur, terutama dengan RFI. Model jadi lebih sederhana, lebih cepat, dan lebih mudah dijelaskan.
Selesai!
Selesai. Kita sudah membuat fitur dari tanggal, rasio, transformasi kuadrat, dan one-hot, lalu memilih fitur dengan korelasi, Silek K-Best, Mutual Information, dan RFI. Ingat, seleksi fitur juga harus dilakukan di dalam pipeline supaya tidak terjadi data laak KG. Di episode berikutnya kita masuk ke unsupervisate learning dengan clustering untuk segmentasi pelanggan. 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.
