Cara Kerja Machine Learning, Lazy or Eager?
Salah satu cara kerja machine learning adalah dengan melakukan klasifikasi, klasifikasi dapat didefinisikan sebagai proses memprediksi kelas atau kategori dari yang diamati baik nilai atau titik data yang diberikan. Keluaran yang dikategorikan dapat memiliki bentuk seperti "Hitam" atau "Putih" atau "spam" atau "tidak ada spam". Secara matematis, klasifikasi adalah tugas aproksimasi fungsi pemetaan (f) dari variabel input (X) ke variabel output (Y). Ini pada dasarnya milik pembelajaran mesin di mana target juga disediakan bersama dengan kumpulan data input.
Contoh masalah klasifikasi dapat berupa deteksi spam dalam email. bisa ada hanya dua kategori keluaran, "spam" dan "tidak ada spam"; maka ini adalah tipe biner klasifikasi. Untuk mengimplementasikan klasifikasi ini, pertama-tama kita perlu melatih classifier. Untuk contoh ini, Email "spam" dan "tidak ada spam" akan digunakan sebagai data pelatihan. Setelah berhasil melatih classifier, dapat digunakan untuk mendeteksi email yang tidak dikenal.
Lalu bagaimana cara kerja machine learning bertipe klasifikasi tersebut? Yuk pahami step by step nya!
1. Tipe Machine Learning Klasifikasi
Lazy Learners
Seperti namanya, mesin pembelajaran seperti itu menunggu data pengujian muncul setelahnya baru melakukan penyimpanan data pelatihan. Klasifikasi dilakukan hanya setelah mendapatkan data pengujian. Mereka menghabiskan lebih sedikit waktu untuk pelatihan tetapi lebih banyak waktu untuk memprediksi. Contoh lazy learners adalah K Neighbours terdekat dan penalaran berbasis kasus.
Eager Learners
Berlawanan dengan pembelajar yang malas, pembelajar yang bersemangat membangun model klasifikasi tanpa menunggu agar data pengujian muncul setelah menyimpan data pelatihan. Mereka menghabiskan lebih banyak waktu pada pelatihan tetapi lebih sedikit waktu untuk memprediksi. Contoh pembelajar yang bersemangat adalah Pohon Keputusan, Naive Bayes dan Jaringan Syaraf Tiruan (JST).
Baca juga : 3 Jenis Algoritma Machine Learning yang Dapat Digunakan di Dunia Perbankan
2. Metrik Evaluasi Machine Learning Klasifikasi
Jangan salah, ternyata pekerjaan untuk melakukan running machine learning belum selesai bahkan jika sahabat data telah menyelesaikan implementasi Machine Learning baik aplikasi atau model. Kita harus mencari tahu seberapa efektif model kita? bisa ada metrik evaluasi yang berbeda, tetapi kita harus memilihnya dengan hati-hati karena pilihan metrik memengaruhi bagaimana kinerja algoritma pembelajaran mesin diukur dan dibandingkan.
3. Confusion Matrix
Ini adalah cara termudah untuk mengukur kinerja masalah klasifikasi di mana kita menggunakan output yang dapat berupa dua atau lebih jenis kelas. Confusion Matrix tidak lain adalah sebuah tabel dengan dua dimensi yaitu "Aktual" dan "Diprediksi" dan lebih jauh lagi, keduanya dimensi Memiliki "True Positives (TP)", "True Negatives (TN)", "False Positives (FP)", "False Negatives (FN)".
4. Contoh Algoritma Klasifikasi
Berikut ini adalah beberapa algoritma klasifikasi ML yang banyak digunakan:
Logistic Regression
Support Vector Machine (SVM)
Decision Tree
Naive Bayes
Random Forest
Baca juga : Belajar Data Science: Pahami Penggunaan Machine Learning pada Python
5. Python Data Science
Yuk nikmati kemudahan mempelajari python untuk data science tanpa melakukan instalasi jupyter python. ANti ribet dan sangat aplikatif. Kamu juga akan mendapatkan sertifikat pembelajaran ataupun portofolio secara berkala setelah menyelesaikan kelas kelas di DQLab.