Hai Hai guys Selamat datang kembali di channel Indonesia belajar video ini adalah video ke-14 dari video bersedia toples bertema belajar machine learning dengan piton dalam video kali ini kita akan mempelajari support Vector machine atau Biasa disingkat sebagai svm Yuk kita mulai sesi pembelajaran kita Oh ya guys sekedar mengingatkan bagi kalian yang mendapatkan manfaat dari video ini jangan lupa untuk memberikan like pada videonya ini akan berperan sebagai feedback bagi kami terkait nilai manfaat dari materi pembelajaran yang kami hasilkan dan bagi kalian yang belum subscribe channel Indonesia belajar ini pastikan kalian subscribe dan aktifkan juga tombol loncengnya karena di tiap minggunya Kami selalu Mengapa video-video tutorial terbaru terkait tunai di jadi pastikan kalian Dogs staytune terus di channel Indonesia belajar ini Hai model machine-learning akan kita pelajari kali ini adalah support Vector machine atau Biasa disingkat sebagai svm ini termasuk model machine-learning yang juga cukup umum diterapkan pada classification trust bagi kali ini tertarik untuk mempelajari SGM lebih lanjut berikut adalah Freiburg yang bisa dijadikan referensi nah ini merupakan halaman utama dari ibuknya untuk mulai membaca ibuknya kita bisa Klik saja read the support Vector machine tutorial Hai Menurut kami ini merupakan ibu terbaik yang membahas SGM yang pernah kami temui Jadi bagi kalian ketahui untuk mendalami SGM lebih lanjut kami sangat menyarankan untuk menggunakan ini sebagai referensi link untuk menuju halaman website ini pun akan kami sertakan pada deskripsi video Jadi kalian gak perlu khawatir oke di sini kami close dulu ya Halaman website sibuknya dan kita akan kembali ke slide kita Hai Oke kita coba lanjut ya ke slide berikutnya Hai pertama-tama disini kami akan menjelaskan beberapa konsep dasar yang harapannya dapat membantu kita untuk memahami mekanisme kerja dari support Vector machine Untuk itu kita akan cermati contoh kasus berikut ini semisal saja kita disini dihadapkan pada sebuah kasus klasifikasi dimana terdapat dua buah kelas sebut saja kelas hitam dan putih Nah ini merupakan kelas hitamnya dan ini merupakan kelas putihnya pada kasus ini juga terdapat dua buah fitur yaitu x1 dan x2 nah ini merupakan skala pengukuran untuk fitur x1dan ini merupakan skala pengukuran untuk kitchen Hai di sini kita diminta untuk menarik suatu garis lurus atau garis linier yang dapat memisahkan kedua kelas ini Oh ya guys dalam classification tas pemisah atau pembatas antar kelas ini juga seringkali dikenal dengan istilah di Season boundary semisal saja di sini kita dihadapkan pada tiga pilihan garis linier yaitu H1 H2 dan H3 Nah warna hijaunya satu yang warna biru ini h2dan yang warna merah ini adalah Hai Nah kalau menurut kalian dari ketiga garis linear ini manakah yang paling baik untuk digunakan sebagai disusun boundary atau pemisah antar dua kelas yang kita miliki kalian bisa pause terlebih dahulu video ini dan coba pikirkan jawabannya oke di sini kami asumsikan kalian sudah memilih salah satu dari ketiga garis linier ini sebagai jawaban kita cermati satu-persatu ya dari ketiga pilihan garis linier ini pertama-tama kita akan cermati garis H1 ya gadis yang ini dulu nih kalau kita lihat disini nampak jelas bahwa garis H1 ini tidak bisa digunakan sebagai garis pemisah antar dua kelas yang kita miliki a berarti di sini pilihannya tinggal dua yaitu garis H2 dan garis h Hai dan kalau kita lihat disini kedua garis ini dapat memisahkan kedua kelas yang kita miliki dengan sempurna yang menjadi pertanyaan berikutnya adalah manakah dari kedua garis ini yang paling baik dalam memisahkan kedua kelas kita dan jawabannya adalah h3y jadi antara H3 dengan H2 yang paling baik adalah H3 Alasannya karena H3 ini memiliki Margin yang lebih besar bila dibandingkan dengan H2 kita akan bahas lebih lanjut mengenai margin pada slide berikutnya Hai selanjutnya kita akan berkenalan dengan beberapa terminologi dasar terminologi pertama yang akan kita pelajari adalah hyperplane ini merupakan terminologi yang umum digunakan dalam svm untuk merepresentasikan disusun boundary kita akan kembali memanfaatkan studi kasus ini Hai seperti nampak di sini karena dalam kasus ini kita dihadapkan pada dua fitur maka kita memiliki floating dua dimensi ini fitur pertama ini fitur kedua dan ketika datanya diploting maka kita akan memperoleh clothing dua dimensi Hai nah oleh karenanya di sini bounder yang kita peroleh berupa suatu garis dan dalam kasus ini berupa garis lurus atau garis linear tetapi ketika kita hanya memiliki satu fitur saja maka disusun boundary atau pemisah antar kelasnya akan berupa titik atau nilai threshold lalu ketika terdapat tiga features maka disusun boundering nya berupa Sebuah bidang datar atau juga biasa dikenal dengan istilah Flying Dutchman Hai nah ketika terdapat empat atau lebih picture maka pemisah antar kelasnya berupa bidang multidimensi atau biasa dikenal dengan istilah hyperplane Hai pada svm untuk menyederhanakan istilah maka setiap decission bounder yang dihasilkan umumnya akan disebut sebagai hyperplane Hai nah bagaimana guys dengan istilah disusun boundary dan hyperplane ini harapannya mulai bisa dipahami ya pada intinya SGM ini mencari decision boundary yang dapat memisahkan antar kelas dengan baik nah disini kalian Mungkin mulai bertanya-tanya nih Bagaimana swm menentukan desain boundary yang lebih baik kita akan pelajari ini pada slide berikutnya the lounge the maximum margin disini pertama-tama kita akan pahami terlebih dahulu Apa itu marcin margin ditentukan berdasarkan jarak terdekat antara disusun boundary dengan anggota dari kelas yang ingin dipisahkan untuk bisa memahaminya dengan lebih baik kita akan memanfaatkan contoh kasus berikut ini pada kasus Kali ini terdapat dua buah kelas yaitu kelas biru dan kelas hijau ini kelas biru dan ini adalah kelas hijau Hai disini juga terdapat dua buah fitur yaitu x1 dan x2 Nah bisa kita lihat di sini ya ini merupakan skala pengukuran untuk fitur x1dan ini merupakan skala pengukuran untuk fitur halo halo semisal saja di sini kita memiliki sebuah disusun boundary berupa garis linear berwarna merah yang digunakan untuk memisahkan kedua kelas yang kita miliki nah garis linier merah ini atau garis lurus bila ini merupakan desain bangun dari yang memisahkan kelas biru dengan kelas hijau Hai dan area diarsir dengan warna kuning inilah yang dinamakan dengan margin nah disini bisa nampak ya terdapat suatu area yang mengapit di sisi bangun dari yang diarsir dengan warna kuning nah Arya inilah yang dinamakan marcin margin sendiri diperoleh berdasarkan jarak terdekat antara di Season boundary dengan anggota dari kelas yang ingin dipisahkan dan setiap anggota kelas yang berperan untuk menentukan margin dikenal sebagai support Vector untuk kasus kita disini terdapat tiga poin sebagai support Vector nah ini merupakan poin yang pertama iPhone yang kedua dan ini merupakan poin yang ketiga ketiga datapoint ini berperan sebagai support Vector untuk kasus kita disini Dimana support factory ini merupakan anggota dari suatu kelas yang posisinya paling dekat dengan di Season bondri di dalam menentukan desain boundary SW makan memilih berdasarkan margin terbesar atau juga dikenal dengan istilah Maximum margin nah bagaimana guys harapannya sampai di titik ini kalian mulai bisa memahami mekanisme kerja dasar dari SGM dan juga apa yang dimaksud dengan support Vector kita lanjut ya ke topik bahasan berikutnya Hai pada kedua contoh kasus sebelumnya kita sudah mengenal pemanfaatan dari garis lurus atau garis linier sebagai decision boundary hanya saja terdapat beberapa kasus dimana kelas yang ada tidak bisa dipisahkan dengan memanfaatkan garis linear untuk lebih jelasnya kita akan pelajari contoh kasus berikut ini Hai pada contoh kasus Kali ini juga terdapat dua buah kelas yaitu kelas titik dan kelas X ini kelas titiknya ya Dan ini kelas x nya Hai disini juga terdapat logo fitur sehingga ketika dilakukan floating kita akan mendapatkan floating dua dimensi semacam ini Hai Nah kalau kita perhatikan pada kasus Kali ini tidaklah memungkinkan bagi kita untuk menarik garis linear sebagai disusun boundary kondisi semacam ini juga dikenal dengan istilah linear inseparable Hai untuk mengatasi kondisi semacam ini svm akan memproyeksikan data yang ada kekhawatiran mention atau ke dimensi yang lebih tinggi artinya bila data yang sebelumnya berada dalam dua dimensi maka swm akan memproyeksikan nya ke tiga dimensi seperti nampak pada protein di sisi sebelah kanan ini merupakan hasil proyeksi tiga dimensi dari data sebelumnya yang berbentuk dua dimensi dan bisa nampak disini setelah diproyeksikan ke dimensi yang lebih tinggi dimana untuk kasus ini adalah tiga dimensi kedua kelas ini bisa dipisahkan dengan lebih mudah yaitu dengan menerapkan desain boundary berbentuk bidang datar dan Hai jadi disini kita bisa tempatkan suatu bidang datar yang akan berperan sebagai disusun boundary yang memisahkan antara kelas X dengan kelas Hai upaya untuk memproyeksikan Sekumpulan data ke dimensi yang lebih tinggi tentunya juga akan berimbas pada kenaikan beban komputasi untuk menjawab kebutuhan semacam ini SPM menawarkan teknik yang sangat efisien yang dikenal dengan istilah karena tricks swm sendiri menawarkan beberapa jenis Kernel seperti polinomial sigmoid dan Arbi f atau Radial basis function bagi kalian yang tertarik untuk mempelajari karena tricks lebih lanjut berikut adalah halamanku orang yang bisa dijadikan referensi nanya merupakan halamanku orang yang membahas karena trik dengan cukup sederhana nanti link untuk menuju halaman ku orang ini juga akan kami sertakan pada deskripsi video Sekarang kita akan kembali lagi ya kesel lainnya hai oh ya guys sekedar informasi pemanfaatan support Vector dan juga karena trik untuk membentuk desain gaun dari inilah yang akhirnya menjadikan model machine-learning ini diberi nama support Vector machine dan apa yang baru saja kami jelaskan di sini ini merupakan beberapa konsep dasar yang memang perlu diketahui terkait SGM selanjutnya kita nama pelajari beberapa pengaplikasian SPM dengan memanfaatkan seydler kita lanjut ya ke slide berikutnya Hai pertama-tama kita akan siapkan terlebih dahulu datasheetnya untuk kasus Kali ini kita akan mengadopsi Henry ton gadgets dataset ini merupakan Open data sheet yang ditawarkan oleh m Nasty atau mddc dan ini adalah link untuk mengakses data Setia di sini kalian gak perlu khawatir karena link ini juga akan kami sertakan pada deskripsi video Oh ya guys perlu juga kalian ketahui walau dataset ini tidak disertakan sebagai sampel data sheet wadah Hitler tetapi kita bisa mendownloadnya dengan memanfaatkan mode face Open email karena dataset ini juga tersedia di repository Open email disini kami akan demokan tahapan untuk mendownload serta mengakses data setnya dan disini pertama-tama kita akan impor dulu modul flash Open email caranya from scele.cs set import feat underscore Open email halo halo berikutnya Kita tinggal panggil saja vs Open email dan disini kita akan sebutkan ya nama data Setia adalah mscore 784 lalu kita juga akan spesifikasikan lokasi pada local machine kita untuk mendownload asetnya Nah untuk kasus kami kali ini kami akan tempatkan pada direktori data sheet mistik2 berikutnya Kami juga akan langsung pisahkan antara features dengan target labelnya oleh karenanya disini kami sertakan parameter return X XI dan Kami beri nilai true nah disini kami juga akan Siapkan dua variabel yaitu x&y dimana variabel x akan menampung sekumpulan nilai features dan variabel lainnya digunakan untuk menampung sekumpulan nilai target labelnya Halo berikutnya Kami juga akan coba tampilkan dimensidata dari features nya Ayo kita coba eksekusi ya skripnya hai oh ya guys di sini juga kayak perlu mengingatkan bahwa sewaktu kalian mengeksekusi script ini pastikan kalian memiliki koneksi internet karena feat sopan email ini akan melakukan proses donlot data sheet melalui jaringan internet lalu berapa lama waktu yang dibutuhkan ini akan sangat bergantung pada koneksi internet yang kalian miliki Hai Nah bisa nampak di sini ya dimensi dari variabel x y adalah 70.000 untuk jumlah barisnya dan 784 untuk jumlah kolomnya dengan kata lain disini kita bisa bilang bahwa ukuran dataset kita kali ini lumayan besar bila dibandingkan dengan data sheet lain yang pernah kita gunakan sebelumnya disini terdapat 70.000 gambar berbeda yang berisi tulisan tangan manusia yang mencakup angka 0 sampai 9 dataset ini juga umum digunakan untuk melakukan perbandingan performa model machine-learning dalam mengenali angka atau bilangan dari tulisan tangan manusia Hai terdapat salah seorang tokoh besar dalam bidang computer Vision yang terlibat dalam pengelolaan data sheet ini namanya adalah yang racun Beliau memiliki kontribusi besar dalam bidang osiar atau optical character recognition dan juga Henry ton recognition Hai selanjutnya kita akan coba tampilkan 8data pertama dari dataset ini Hai sekarang dataset yang kita miliki ini berupa data image atau data gambar maka kita akan gunakan metlife untuk menampilkan datanya Nah berikut kami akan Coba jelaskan prosesnya Hai di sini pertama-tama kita akan impor dulu mobilnya informed leptotyphlops sprt kita juga akan imported lo klip.com SCM nah cm ini merepresentasikan color Map Hai halus selanjutnya kita akan Coba lakukan luping ya terhadap delapan baris pertama dari data sekitar oleh karenanya di sini kita Panggil fordata ineks dan kita melakukan flashing terhadap 8data pertama atau delapan baris pertama dari variabel x untuk selanjutnya akan kita floating dengan memanfaatkan pyplot Hai di sini kita coba eksekusi ya skripnya hai oh ya guys di sini datanya juga akan direset ke-28 kali 28 Karena untuk setiap gambarnya ini terdiri dari 28 kali 28 Hai nah ini dia ke-8 data pertamanya bisa nampak disini ini merupakan tulisan tangan manusia atau human Henry ton yang merepresentasikan bilangan atau angka bagi kita manusia tentunya sangat mudah untuk memahami angka-angka yang ada di sini tetapi bagi komputer ini bukanlah hal yang mudah Hai nah ini merupakan 8 gambar pertama terkait tulisan tangan manusia dan disini kita juga akan Tampilkan 8 label yang berkorelasi dengan 8data pertama ini kita coba eksekusi ya scriptnya disini kita Scroll down dan ini dia hasilnya Ya ini merupakan lebarnya atau dengan kata lain gambar yang pertama ini akan diberi label 5 lalu gambarnya kedua ini akan diberi label nol datang ketiga ini akan diberi label 4 dan seterusnya Hai ini merupakan fiturnya dan ini merupakan target treble nya dan kita akan menteri Medal kita untuk mempelajari data ini Hai Nah karena target label nya berupa angka atau bilangan maka jumlah kelasnya akan ada 10 yaitu mulai dari kelas 012 sampai dengan Hai selanjutnya kita akan bagi dataset ini ke dalam training dan testing set hanya saja kali ini kita tidak akan menggunakan keseluruhan data sheet yang ada ini dimaksudkan agar proses training model yang akan kami demokan dalam video ini tidak terlalu panjang hanya saja kami mendorong kalian untuk menggunakan keseluruhan dataset sewaktu kalian mencobanya pada perangkat komputer yang kalian miliki berikut akan kami demokan prosesnya disini kita Scroll dulu ya di sini terdapat dua bagian yakni merupakan bagian yang kami comment dan ini merupakan bagian yang komen Nah untuk bagian yang di komen ini ini merupakan bagian yang sebaiknya kalian coba di komputer kalian masing-masing Hai bisa nampak di sini ya ketika kalian mencoba kalian akan menggunakan 60.000 data pertama sebagai trendsetter dan 1000 data yang terakhir akan digunakan sebagai testing setnya hanya saja untuk demo kami kali ini kami hanya akan menggunakan 1000 data pertama sebagai training set dan 1000 data terakhir sebagai testing setnya hai oke di sini kami coba eksekusi dulu ya skripnya Hai setelah training and testing Setia terbentuk kita akan coba lanjut ke slide berikutnya Hai disini kita akan menerapkan support Vector machine untuk melakukan klasifikasi akan omeric berdasarkan data sheet tulisan tangan yang kita miliki pertama-tama kita akan trainee modelnya terlebih dahulu berikut akan kami demokan prosesnya nah disini kita akan memanfaatkan suatu modul yang namanya SPC atau support Vector classifier caranya cukup mudah pertama-tama kita akan impor dulu modulnya promes calon dsbm impor SPC atau berikutnya kita akan bentuk objek dari modelnya swc yang kita akan sertakan parameter yaitu rendom state yang kita beri nilai [Musik] halo halo object model yang terbentuk akan kita tampung ke dalam variabel model untuk selanjutnya object model ini akan kita training dengan memanggil method Fit dan menyertakan training setnya di sini kita Panggil docfit extrem dan ya trend kita coba eksekusi ya scriptnya disini sedang Hai setelah modelnya ditraining selanjutnya kita akan lakukan evaluasi performa dari model yang baru saja kita training tadi disini kita akan memanfaatkan classification repot oleh karenanya pertama-tama kita akan impor dulu classification repotnya promes kelas dotmatrix impor classification underscore repot lalu berikutnya kita akan gunakan testing Saatnya untuk melakukan prediksi model.cat ndx tes dan hasil prediksinya akan kita tampung ke dalam variabel ya pret untuk selanjutnya hasil prediksi ini akan kita bandingkan dengan ya tesnya classification report.exe tescoma ya pret dan kita akan cetak hasil klasifikasi repotnya kita coba eksekusi ya scriptnya disini sedang Ayo kita Scroll down dan bisa nampak di sini ya terdapat 10 buah kelas niklas 012 sampai dengan 9 kalau setiap kelasnya terdapat nilai precision rekor dan juga Evan skornya lalu disini kita juga memiliki nilai precision Riko evanzsko dan juga akurasi secara keseluruhan Hai nah bagaimana guys terkait prosesnya cukup mudah bukan Ayo kita coba lanjut ya ke topik bahasan berikutnya Hai sejauh ini dalam seri pembelajaran machine-learning yang ditawarkan di channel Indonesia belajar kita hampir selalu menggunakan default parameter setiap kali melakukan training model padahal untuk tiap model machine-learning terdapat sejumlah parameter yang bisa Kita sesuaikan dalam konteks machine-learning parameter yang digunakan untuk mengatur proses training dari suatu model dikenal dengan istilah hyperparameter dan proses untuk mencari komposisi nilai optimum dari hyperparameter ini dikenal dengan istilah hyperparameter tuning atau hyperparameter optimization bagi kalian yang tertarik untuk mempelajari hyperparameter curling lebih lanjut berikut adalah halaman Wikipedia yang bisa dijadikan referensi Hai nah ini adalah halaman Wikipedia nya kalian bisa mengacu ke halaman Wikipedia ini untuk menggali lebih lanjut terkait hyperparameter tuning Kita kelas dulu ya Halaman bikinnya Oh ya guys link untuk menuju halaman Wikipedia tadi juga akan kami sertakan pada deskripsi video disini kita akan melakukan hyperparameters Jun dengan memanfaatkan modul gridsearchcv atau gridsearchcv CV dan modul ini sudah disertakan oleh settler berikut akan kami demokan prosesnya di sini kita pertama-tama akan impor dulu modulnya promes kellan lutz modal selection import grade halo halo berikutnya disini kita akan spesifikasikan sekumpulan parameter beserta pilihan nilai yang akan kita kombinasikan semisal saja di sini kita ingin melakukan parameter cunning untuk tiga parameter yaitu Karno sedan Gamma dan ketiganya ini merupakan parameter yang bisa ditemui di dalam SPM Hai hal berikutnya untuk setiap parameter ini akan kita tentukan pilihan nilainya untuk Karno di sini pilihannya adalah Arief voli dan sigmoid hal untuk nilai c-nya disini kita akan Tentukan 0,51 10 dan 100 dan untuk keamanannya kita Tentukan pilihannya mulai dari scale 1010001 dan 0,0015 Hai nah pada intinya disini kita ingin mencari tahu kombinasi nilai yang paling baik untuk parameter Kernel sedan Gamma yang bisa kita terapkan terhadap objek support Vector classifier pada kasus kita Ayo kita bisa saja mencobanya satu persatu dengan memanfaatkan luping hanya saja kode program yang dihasilkan tidak akan bersih oleh karenanya disini kami coba memanfaatkan fasilitas yang sudah ditawarkan oleh Syaikh Hitler dalam hal ini adalah gridsearchcv nah cara menggunakan genset pun cukup sederhana pertama-tama kita akan bentuk objek dari gridsearchcv cv-nya kita Panggil disini great shot CV lalu kita akan sertakan beberapa parameter parameter pertama adalah estimator nah parameter estimator ini akan kita beri nilai berupa objek dari model yang ingin kita terapkan untuk kasus kita disini objek modelnya akan kita bentuk dari kelas SPC atau support Vector classifier yang kita beri nilai parameter instead nya nol lalu berikutnya kita juga pulau spesifikasikan haram great atau parameter grade nah nilai parameter ini ini akan kita asosiasikan dengan the parameters yang baru saja kita spesifikasikan sebelumnya selanjutnya hal lain yang perlu kita atur adalah n Jobs atau number of Jobs nah disini number of Jobs ya kami set sebagai 6 artinya Apa artinya kita mau menjalankan proses ini secara paralel pada enam Tread dari prosesor kita nah tentunya disini Kalian juga perlu menyesuaikan dengan prosesor yang kalian miliki untuk kasus kami di sini kami menggunakan prosesor Intel air Seven dengan jumlah track yang tersedia ada 12 stretch dan dari ke-12 stretch yang kami miliki kami akan menggunakan enam untuk melakukan pemrosesan yang ada di sini hal berikutnya kami juga set parameter bosnya dengan nilai Hal ini bertujuan agar ketika prosesnya berjalan kita juga mendapatkan Feedback ya cukup informatif lalu berikutnya kita juga perlu menentukan parameter scoring untuk kasus kami di sini kami set parameter skornya adalah akurasi artinya nilai pembanding yang kita gunakan adalah akurasi Nah setelah objek Resort Ciater bentuk objek riset ini akan kita tabung adalah variabel crysearch lalu penerapannya juga cukup mudah disini kita tidak lagi memanggil model docfit melainkan methods with ini akan kita Panggil dari objek screenshot-nya bisa nampak di sini ya gridsearchcv outfit Extreme koma y trend Ayo kita coba eksekusi ya scriptnya disini sedang Hai ritual Scroll down nah ini dia ya kalau kita menggunakan verbos satu Maka terdapat informasi yang cukup informatif selama scriptnya berjalan lalu Berapa lama script ini akan berjalan eh tentunya akan sangat bergantung pada prosesor yang kalian miliki kita tunggu beberapa saat ya hai oke di sini prosesnya baru saja selesai ya kita coba Scroll down Nah bisa nafas di sini ya jumlah fittingnya ini akan dilakukan 5volt atau lima kali Dimana untuk setiap voltnya terdapat 60 Ken Dedes artinya total terdapat tiga ratus proses fitting yang terjadi dan ini merupakan detailnya untuk kasus kami disini proses ini berakhir dengan total waktu 3,2 menit dan tentunya ya akan sangat bergantung pada kekuatan komputasi dari komputer yang kalian gunakan hasil akhir dari proses turning model dengan memanfaatkan great Shots ini adalah suatu trend model yang di training dengan menerapkan komposisi hyperparameter paling optimum dari sejumlah opsi parameter yang kita spesifikasikan sebelumnya Hai disini kita juga bisa mendapatkan informasi terkait komposisi nilai parameter paling optimum dari hasil pencarian Greatest ini berikut akan kami demokan prosesnya nah pertama-tama disini kita akan Coba akses dulu skor terbaik ya atau akurasi terbaiknya caranya cukup mudah Kita tinggal panggil saja great search.id score underscore Nah di sini jangan lupa ya di belakangnya dan rekornya Oh nampaknya disini kami juga melakukan kesalahan pengetikan nya harusnya score kami hapus dulu di sini ya bescore Hai nah baris ini baru untuk menampilkan nilai skor terbaik yang lalu pada tahapan berikutnya Kita juga bisa mendapatkan nilai parameter terbaiknya caranya kita tinggal akses saja gridsearchcv dot best estimator.id zat haram nah disini suatu kita memanggil best under score estimator jangan lupa di belakangnya juga terdapat under score lalu sekumpulan nilai parameter terbaik ini akan kita tampung adalah variabel bebas params' untuk selanjutnya akan kita luping dan kita coba tampilkan ke layar kita coba eksekusi ya scriptnya disini kita Scroll down Hai dan ini dia ya bisa nampak disini skor akurasi terbaik dari proses kriteria adalah 0,90 7 dan komposisi nilai parameter terbaik yang berhasil ditemukan adalah kenalnya adalah Arbi F nilai sini adalah 10 dan nilai parameter dramanya adalah skill nah bagaimana guys cukup mudah bukan kita lanjut ya slide berikutnya selanjutnya kita akan lakukan evaluasi performa dari model yang baru saja kita training tadi disini kita juga akan memanfaatkan classification report Hai Nah untuk melakukan prediksi disini juga agak sedikit berbeda kita tidak menggunakan model.doc predict melainkan kita akan memanfaatkan objek great shot nya disini kita Panggil gridhot.id predict dan kita akan sertakan nilai dari variabel x tes Lalu hasil prediksinya akan kita tampung ke dalam variabel y pret untuk selanjutnya nilai g-pred ini akan kita bandingkan dengan ya Tes dengan menggunakan classification repot kita coba eksekusi ya scriptnya disini dan ini merupakan classification repot yang dihasilkan Hai nah bagaimana guys cukup mudah bukan demikian sesi pembelajaran terkait classification dengan support Vector machine atau Biasa disingkat sebagai SDM dalam sesi pembelajaran kali ini kalian juga mengenal bagaimana cara untuk memanfaatkan gadget untuk melakukan hyperparameters kuning semoga materi pembelajaran yang disampaikan dapat membantu kalian dalam mempelajari machine-learning pastikan juga untuk terus mengikuti materi pembelajaran lanjutan di channel ini dan bilamana ada pertanyaan ataupun masukan terkait materi yang disampaikan dalam video pembelajaran ini kalian dapat menuliskannya pada kolom komentar di bawah ini kami akan selalu berusaha untuk menanggapi setiap pertanyaan dan masukan yang kalian sampaikan Oke Guys semoga video ini bermanfaat bagi kita semua jangan lupa untuk comment like share dan subscribe tentunya karena ini akan membantu kami untuk terus menghasilkan materi pembelajaran berkualitas lainnya hai salam Indonesia belajar banyak belajar biar bisa bantu banyak orang