Klasifikasi dasar
Naive Bayes, K-NN, dan pohon keputusan.
Untuk apa dipakai
- Mengklasifikasi atau memprediksi
Data yang dibutuhkan
Data tabel dengan kolom fitur dan, bila perlu, kolom kelas atau teks.
Unggah file Excel (.xlsx) atau CSV. Aplikasi memeriksa kecocokan data dengan metode sebelum analisis dijalankan, dan token tidak terpotong bila analisis gagal.
Bantuan — proses & rumus
Tahap komputasi yang dijalankan OlahData untuk metode ini, lengkap dengan rumus dan rujukannya.
Prediktor angka dibakukan hanya untuk K-NN; prediktor kategori diubah menjadi kolom 0/1. Kinerja dinilai dengan validasi silang berlapis (stratified k-fold) atau pembagian data latih/uji, agar diukur pada data yang tidak dipakai melatih model.
Naive Bayes mengasumsikan prediktor saling bebas dalam kelas dan memilih kelas dengan peluang posterior terbesar. K-NN mengklasifikasikan berdasarkan mayoritas kelas k tetangga terdekat. Pohon keputusan (CART) membagi data berulang berdasarkan prediktor yang paling menurunkan impuritas Gini.
Akurasi (dengan CI Wilson), presisi/recall/F1 makro, dan kappa dihitung dari prediksi luar-lipatan (atau data uji) untuk tiap algoritma, memungkinkan perbandingan yang adil.
Untuk pohon keputusan, kepentingan fitur dihitung dari total penurunan impuritas Gini yang disumbangkan tiap fitur; aturan pohon pada model yang dilatih dari seluruh data menunjukkan jalur keputusan tiap daun beserta kemurniannya.
| Ukuran | Ambang batas | Rujukan |
|---|---|---|
| Akurasi dibanding baseline | bandingkan dengan menebak kelas mayoritas | Kohavi (1995) |
| Sebaran akurasi antar lipatan | SD besar antar lipatan → hasil kurang stabil | Kohavi (1995) |
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning (2nd ed.). Springer.
- Breiman, L., Friedman, J. H., Olshen, R. A., & Stone, C. J. (1984). Classification and regression trees. Wadsworth.
- Cover, T., & Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13(1), 21-27.
- Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45(4), 427-437.
- Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. Proceedings of IJCAI, 2, 1137-1143.
Hastie dkk. (2009); Breiman dkk. (1984)
Contoh hasil
Contoh hasil dengan data fiktif untuk metode ini sedang disiapkan.
Ingin mencoba dengan data Anda?
Hasilnya disertai tabel, grafik, narasi, dan penjelasan prosesnya.