Supervise Learning - 30 Algoritma Klasifikasi

By

 Berikut adalah daftar 30 algoritma klasifikasi yang umum digunakan dalam pembelajaran terawasi (supervised learning):

1. K-Nearest Neighbors (KNN)

2. Decision Trees

3. Random Forest

4. Gradient Boosting Machines (GBM)

5. XGBoost

6. AdaBoost

7. LightGB

8. CatBoost

9. Logistic Regression

10. Support Vector Machines (SVM)

11. Naive Bayes

12. Neural Networks (Multilayer Perceptron)

13. Convolutional Neural Networks (CNN)

14. Recurrent Neural Networks (RNN)

15. Long Short-Term Memory Networks (LSTM)

16. Quadratic Discriminant Analysis (QDA)

17. Linear Discriminant Analysis (LDA)

18. Bagging Classifier

19. Extra Trees Classifier

20. Ridge Classifier

21. Elastic Net Classifier

22. Stochastic Gradient Descent (SGD) Classifier

23. Perceptron

24. Passive Aggressive Classifier

25. Voting Classifier

26. Stacking Classifier

27. Bayesian Network Classifier

28. K-Nearest Centroid

29. Probabilistic Neural Network (PNN)

30. Deep Belief Networks (DBN)

Setiap algoritma ini memiliki kelebihan dan kekurangan tersendiri serta cocok untuk berbagai jenis masalah klasifikasi tergantung pada data dan tujuan analisis.

Comments

Post a Comment

Popular posts from this blog

QUIS 5

By
Image
Link : Download File Pdf (E-mail UBP) PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS BUANA PERJUANGAN   2024   INTEGRASI PEMBERSIHAN DATA   Cari IPS setiap semester permahasiswa . ini bisa memudahkan untuk normalisasi data .     Tahap pertama sebelum melakukan pencarian IPS yaitu memasukan dataset terlebih dahulu . Dataset didapat dari API yang diberikan oleh dosen . Berikut adalah source codenya .   import requests   import pandas as pd     # Fungsi untuk mengambil data dari API   def get_data_from_api ( url , headers ):       response = requests.get ( url , headers=headers)       if response.status_code == 200 :           data = response.json ()           return pd.DataFrame (data[ 'data' ])       else :           print ( f "Gagal mengambil data. Status code: { response.status_code } : { response.text } " )           return pd.DataFrame ()     # Headers untuk request API   headers = { ' api -key' : &q
Read more

Apa itu SEMMA

By
  SEMMA merupakan singkatan dari Sample, Explore, Modify, Model, Assess dan  merupakan framework yang digunakan dalam proses data mining.  Kerangka  SEMMA diperkenalkan oleh SAS Institute sebagai alternatif  kerangka  CRISP-DM.  Berikut tahapan kerangka SEMMA .  1. Sampel : Pilih sampel yang representatif dari data yang tersedia.  Fase ini mengumpulkan data yang berisi subset  data lengkap yang relevan untuk dianalisis.  2. Eksplorasi : Mengeksplorasi dan menganalisis data untuk memahami karakteristiknya.  Ini mencakup visualisasi data, statistik deskriptif, dan teknik eksplorasi data lainnya untuk mengidentifikasi pola, anomali, dan tren yang menarik.  3. Perubahan : Memproses dan mengubah data untuk mempersiapkannya untuk analisis lebih lanjut.  Hal ini dapat mencakup normalisasi, memasukkan data yang hilang, atau menyesuaikan fitur untuk meningkatkan kualitas data.  4. Model : Membangun model atau algoritme yang sesuai untuk menganalisis data dan mengekstrak informasi  berguna.  T
Read more

Mengenal CRISP-DM

By
  CRISP-DM adalah singkatan dari Cross-Industry Standard Process for Data Mining, yang merupakan kerangka  umum  untuk menggambarkan tahapan  proses data mining.  Kerangka kerja ini terdiri dari enam fase utama.  1. Memahami Masalah : Memahami tujuan dan persyaratan bisnis  yang ingin dicapai melalui analisis data.  2. Pemahaman Data : Kumpulkan data yang relevan untuk dianalisis dan dipahami struktur, kualitas, dan karakteristiknya.  3. Persiapan Data : Mempersiapkan data untuk dianalisis dengan membersihkan, mengubah, dan mengintegrasikan seperlunya.  4. Pemodelan : Pilih model atau algoritme yang sesuai, latih model atau algoritme tersebut berdasarkan data yang telah disiapkan, dan evaluasi performanya.  5. Evaluasi : Mengevaluasi model yang  dibuat untuk memastikan model tersebut memenuhi tujuan bisnis dan kriteria kinerja yang ditentukan.  6. Implementasi : Menerapkan hasil analisis ke  lingkungan produksi dan mengkomunikasikan hasil dan resolusi kepada pemangku kepentingan.   CR
Read more