Video: Tips Investasi Dengan Dana Utang 2024
Di analisis yang diawasi, keduanya masukan dan keluaran yang disukai adalah bagian dari data pelatihan. Model analisis prediktif disajikan dengan hasil yang benar sebagai bagian dari proses pembelajarannya. Pembelajaran yang diawasi seperti itu mengasumsikan contoh yang sudah diklasifikasikan: Tujuannya adalah agar model belajar dari klasifikasi yang telah diketahui sebelumnya sehingga bisa memberi label pada titik data yang tidak diketahui sebelumnya berdasarkan pada apa yang telah dipelajari.
Saat latihan model selesai, fungsi matematis disimpulkan dengan memeriksa data pelatihan. Fungsi itu akan digunakan untuk memberi label pada data baru.
Agar pendekatan ini bekerja dengan benar, data pelatihan - bersama dengan data uji - harus dipilih dengan cermat. Model yang terlatih harus dapat memprediksi label yang benar untuk titik data baru dengan cepat dan tepat, berdasarkan tipe data yang telah dilihat model dalam data pelatihan.
Analisis yang diawasi menawarkan beberapa keuntungan yang berbeda:
-
Analis bertanggung jawab atas prosesnya.
-
Pelabelan didasarkan pada klasifikasi yang diketahui.
-
Kesalahan pelabelan dapat dengan mudah dipecahkan.
Sisi lain dari keuntungan ini adalah kerugian potensial yang sama-sama berbeda:
-
Kesalahan pada tahap pelatihan akan diperkuat di kemudian hari.
-
Klasifikasi yang diberikan oleh analis mungkin tidak menggambarkan keseluruhan populasi secara memadai.
-
Model mungkin tidak dapat mendeteksi kelas yang menyimpang dari set pelatihan asli.
-
Asumsi bahwa kelompok dalam data tidak tumpang tindih - dan mudah dipisahkan - mungkin tidak terbukti valid.
