Belajar Support Vector Machine (SVM)

Oct 24, 2024

Catatan Pembelajaran: Support Vector Machine (SVM)

Pendahuluan

  • Selamat datang di channel Indonesia Belajar
  • Video ke-14 tentang machine learning dengan Python
  • Materi kali ini: Support Vector Machine (SVM)
  • Jangan lupa untuk like dan subscribe agar tidak ketinggalan video terbaru

Apa itu Support Vector Machine (SVM)

  • Model machine learning yang umum digunakan untuk klasifikasi
  • Referensi: Tutorial SVM yang disarankan

Konsep Dasar SVM

Contoh Kasus Klasifikasi

  • Dua kelas: hitam dan putih
  • Dua fitur: x1 dan x2
  • Tujuan: Menarik garis pemisah (decision boundary)

Garis Linier

  • Tiga garis (H1, H2, H3) untuk pemisahan
  • Garis H3 adalah yang terbaik karena memiliki margin terbesar

Terminologi Dasar

  • Hyperplane: Garis pemisah dalam SVM
  • Dimensi fitur mempengaruhi bentuk hyperplane

Margin dalam SVM

  • Margin: Jarak terdekat antara hyperplane dan titik data dari masing-masing kelas
  • Titik yang menentukan margin disebut Support Vector
  • SVM mencari hyperplane dengan Maximum Margin

Kasus Linear Separable dan Non-Linear Separable

  • Linear Separable: Kelas dapat dipisahkan oleh garis linier
  • Non-Linear Separable: Kelas tidak dapat dipisahkan dengan garis linier
  • SVM proyeksikan data ke dimensi lebih tinggi untuk pemisahan

Kernel Trick

  • Teknik efisien dalam SVM untuk memisahkan data non-linear
  • Jenis kernel: Polynomial, Sigmoid, Radial Basis Function (RBF)

Pengaplikasian SVM

Dataset

  • Menggunakan dataset MNIST (tulisan tangan)
  • Dataset berisi 70.000 gambar angka dari 0-9

Mengunduh Dataset

  • Contoh pengunduhan dataset menggunakan modul fetch_openml
  • Memisahkan fitur dan label dari dataset

Menampilkan Data

  • Menampilkan 8 gambar pertama dari dataset dan labelnya

Melatih Model SVM

Pemisahan Dataset

  • Dataset dibagi menjadi training set dan testing set
  • Contoh pemisahan: 1000 data pertama untuk training, 1000 data terakhir untuk testing

Melatih Model

  • Menggunakan SVC dari modul sklearn
  • Melakukan training dengan fit()
  • Evaluasi dengan classification_report

Hyperparameter Tuning

  • Mengatur parameter model untuk memaksimalkan akurasi
  • Menggunakan GridSearchCV untuk menemukan kombinasi terbaik
  • Contoh parameter: Kernel, C, gamma

Evaluasi Performa Model

  • Menggunakan classification_report untuk mengevaluasi hasil
  • Menampilkan skor dan nilai parameter terbaik

Kesimpulan

  • Sesi pembelajaran tentang SVM dan hyperparameter tuning
  • Harapannya materi ini membantu dalam memahami machine learning
  • Pertanyaan dan masukan dapat ditulis di kolom komentar
  • Jangan lupa untuk comment, like, share, dan subscribe

Semoga video ini bermanfaat! Salam Indonesia Belajar.