Dasar-dasar Model Klasifikasi untuk Prediksi Analitis - dummies

Setelah Anda memiliki semua alat dan data yang diperlukan untuk mulai membuat model prediksi, kesenangan dimulai. Secara umum, membuat model pembelajaran untuk tugas klasifikasi akan memerlukan langkah-langkah berikut:

1. Muat data.

2. Pilih classifier.

3. Latih modelnya.

4. Visualisasikan modelnya.

5. Uji modelnya.

6. Evaluasi modelnya.

Model regresi logistik dan regresi Vektor Mesin (SVM) berjalan cukup baik dengan menggunakan dataset Iris.

Panjang Sepal	Lebar Sepal	Panjang Petal	Lintang Petal	Kelas / Label Sasaran
5. 1	3. 5	1. 4	0. 2	Setosa (0)
7. 0	3. 2	4. 7	1. 4	Ayatol (1)
6. 3	3. 3	6. 0	2. 5	Virginica (2)

Yang menarik, model regresi logistik dengan C = 150 memiliki plot permukaan keputusan yang tampak lebih baik daripada yang ada dengan C = 1, namun kinerjanya tidak berkinerja lebih baik. Itu bukan masalah besar, mengingat set tesnya sangat kecil. Jika perpecahan acak lain antara set pelatihan dan set tes telah dipilih, hasilnya bisa dengan mudah berbeda.

Ini mengungkapkan sumber kompleksitas lain yang muncul dalam evaluasi model: efek sampling, dan bagaimana memilih rangkaian pelatihan dan pengujian dapat mempengaruhi keluaran model. Teknik cross-validation dapat membantu meminimalkan dampak random sampling pada kinerja model.

Untuk dataset yang lebih besar dengan data yang tidak dapat dipisahkan secara linier, Anda akan mengharapkan hasilnya menyimpang lebih jauh lagi. Selain itu, pemilihan model yang tepat menjadi semakin sulit karena kompleksitas dan ukuran data. Bersiaplah untuk menghabiskan banyak waktu menyetel parameter Anda untuk mendapatkan kecocokan yang ideal.

Saat membuat model prediktif, cobalah beberapa algoritma dan lengkapi parameternya sampai Anda menemukan yang terbaik untuk data Anda. Kemudian bandingkan hasilnya satu sama lain.