Data Mining - Pertemuan 10

 Supervise Learning

Pengertian Supervised Learning

Supervised learning adalah jenis pembelajaran mesin di mana model dilatih menggunakan data yang telah diberi label. Dalam supervised learning, tujuan utamanya adalah untuk memprediksi hasil atau output berdasarkan input yang telah diketahui. Data yang digunakan dalam pelatihan memiliki pasangan input-output yang dikenal, dan model belajar untuk memetakan input ke output yang benar.

Proses Supervised Learning

Proses dalam supervised learning biasanya melibatkan langkah-langkah berikut:

1. Pengumpulan Data: Mengumpulkan data yang relevan dengan pasangan input-output.
2. Praproses Data: Membersihkan dan menyiapkan data untuk pelatihan model.
3. Pembagian Data: Membagi data menjadi set pelatihan (training set) dan set pengujian (test set).
4. Pelatihan Model: Menggunakan data pelatihan untuk membangun model.
5. Evaluasi Model: Menggunakan data pengujian untuk mengevaluasi kinerja model.
6. Tuning Hyperparameter: Menyesuaikan parameter model untuk meningkatkan performa.
7. Penggunaan Model: Menerapkan model yang sudah dilatih untuk membuat prediksi pada data baru.

Algoritma Supervised Learning

• Logistic Regression
• K-Nearest Neighbors (KNN)
• Decision Tree Classifier
• Random Forest Classifier
• Support Vector Machines (SVM)
• Naive Bayes
• Gradient Boosting Machines (GBM)
• AdaBoost
• XGBoost
• LightGBM
• CatBoost
• Neural Networks (Feedforward)
• Quadratic Discriminant Analysis (QDA)
• Linear Discriminant Analysis (LDA)
• Stochastic Gradient Descent (SGD) Classifier
• Perceptron
• Extra Trees Classifier
• Ridge Classifier
• Neural Network (Multi-layer Perceptron)
• Bagging Classifier
• Linear Regression
• Ridge Regression
• Lasso Regression
• Elastic Net Regression
• Support Vector Regression (SVR)
• Decision Tree Regressor
• Random Forest Regressor
• Gradient Boosting Regressor
• XGBoost Regressor
• LightGBM Regressor