Pada artikel Membuat Klasifikasi Bunga Iris Dengan Python (2), kamu akan belajar bagaimana cara melakukan training dan validating data. Training Data Untuk dapat mengetahui nama orang yang kita temui, kamu harus terlebih dahulu berkenalan dengan mereka. Setelah berkenalan, data tersebut akan tersimpan dalam memori otak kamu. Nah, saat bertemu dengan orang lain, kamu akan mencoba mengingat data yang tersimpan dalam memori otak, dan membandingkan data ini dengan wajah yang sedang kamu temui. Jika kamu menemukan wajah yang sama, kamu akan langsung mengetahui siapa nama orang yang kamu temui ini. Dalam machine learning, proses ‘berkenalan‘ ini disebut proses training data. Proses ini akan menghasilkan pengetahuan mengenai pola-pola dan informasi tiap kelas pada dataset. Kamu harus terlebih dahulu membagi dataset menjadi 2 bagian yakni, data training dan data testing. Dalam percobaan ini, 80% data akan menjadi data training, sedangkan 20% sisanya akan menjadi validation data array = iris.values X = array[:,0:4] Y = array[:,4] validation_size = 0.20 seed = 7 X_train, X_validation, Y_train, Y_validation = cross_validation.train_test_split(X, Y, test_size=validation_size,random_state=seed) num_folds = 10 // sesuaikan dengan nilai K yang kamu inginkan num_instances = len(X_train) seed = 7 scoring = ‘accuracy’ Untuk melakukan klasifikasi, ada beberapa algoritma yang bisa kamu gunakan. Algoritma yang berbeda, akan menghasilkan hasil akurasi yang berbeda pula. Tujuan bagian ini adalah menemukan algoritma yang memiliki akurasi paling tinggi Terdapat 5 algoritma yang populer yang biasa digunakan untuk klasifikasi 1. Linear regression algorithm2. Logistic regression3. Decision tree classifier4. Gaussian Naïve Base5. Support Vector Machine Namun, apabila kamu belum mengenal 5 algoritma ini, tidak perlu khawatir. Pada artikel selanjutnya, TASOfficial akan membahas selayang pandang mengenai kelimanya. Pyhton sudah menyediakan fungsi untuk algoritma-algoritma ini. Kamu cukup memanggil fungsi, dan hasil akan langsung tampil. Keren kan? models = [] models.append((‘LR’, LogisticRegression())) models.append((‘LDA’, LinearDiscriminantAnalysis())) models.append((‘CART’, DecisionTreeClassifier())) models.append((‘NB’, GaussianNB())) models.append((‘SVM’, SVM())) results = [] names = [] for name, model in models: kfold = cross_validation.KFold(n=num_instances, n_folds=num_folds, random_state=seed) cv_results = cross_validation.cross_val_score(model, X_train, Y_train, cv=kfold, scoring=scoring) results.append(cv_results) names.append(name) msg = “%s: %f (%f)” % (name, cv_results.mean(), cv_results.std() print(msg) Dalam kasus klasifikasi bunga iris, algoritma SVM terbukti memiliki akurasi yang paling baik daripada algoritma algoritma yang lain. Validation Tahapan selanjutnya adalah melakukan validation. Validation akan menguji kekuatan training data dengan testing data. Beberapa orang mungkin memiliki suara dan bentuk muka yang sama. Hal ini sering membuat kita bingung dan gagal mengenali mereka dengan baik. Nah, validation akan menguji seberapa pemahaman kita terhadap orang-orang yang telah kita temui sebelumnya. svn = SVM() svn.fit(X_train, Y_train) predictions = svn.predict(X_validation) print(accuracy_score(Y_validation, predictions)) print(confusion_matrix(Y_validation, predictions)) print(classification_report(Y_validation, predictions)) Hasil validation data training terhadap data testing adalah sebagai berikut : Testing Untuk menguji machine learning yang telah kita buat, kita harus melakukan percobaa dengan data baru. Percobaan ini dilakukan terhadap dua data baru X_new = numpy.array([[3, 2, 4, 0.2], [ 4.7, 3, 1.3, 0.2 ]]) prediction = svn.predict(X_new) print(“Prediction of Species: {}”.format(prediction)) Hasil prediksi adalah sebagai Iris virginica dan Iris Setosa Baca Juga : APA YANG AKAN TERJADI JIKA TOKOPEDIA DAN GOJEK MERGER? Itulah tutorial Membuat Klasifikasi Bunga Iris Dengan Python (2). Apabila kamu mengalami kesulitan, silahkan tinggalkan pertanyaan pada kolom komentar ya! Artikel ini merupakan artikel terjemahan dengan sedikit pengubahan. Artikel asli dapat kamu akses melalui link berikut.
Machine learning adalah salah satu topik yang tengah naik daun. Teknologi ini memungkinkan komputer untuk mempelajari suatu objek layaknya manusia. Jika kamu ingin membuat project machine learning, python mungkin akan jadi bahasa pemrograman yang tepat untuk kamu. Bahasa ini memiliki banyak dukungan library dan packages yang akan memudahkan kamu untuk membuat project machine learning. Pada artikel ini, TASOfficial akan mengajak kamu Membuat Klasifikasi Bunga Iris Dengan Python. Tutorial ini terbagi dalam 2 bagian. Pada artikel Membuat Klasifikasi Bunga Iris Dengan Python (1), kamu akan belajar mengenai dataset, melihat dataset, dan memvisualisasikannya dalam bentuk grafik. Dataset Iris Project ini bertujuan untuk membuat klasifikasi bunga iris. Klasifikasi iris adalah salah satu dataset yang sering digunakan sebagai project pertama dalam memulai perjalanan machine learning developer. Tenang saja, kamu tidak perlu menyiapkan dataset sendiri karena dataset iris telah tersedia secara bebas dan gratis. Kamu bisa mengunduh dataset iris.csv melalui link ini. Dataset ini berisi data observasi 3 spesies anggrek dengan jumlah observasi tiap spesiesnya sebanyak 50 observasi. Setiap data memiliki 4 komponen yakni Sepal.Length, Sepal.Width, Petal.Length, Petal.Width, dan spesies. Instalasi Packages Hal pertama yang harus kamu lakukan untuk membuat program klasifikasi bunga iris adalah melakukan instalasi pandas. Pandas adalah packages yang menyediakan banyak fitur dalam pengolahan dan analisa data. Pandas dapat mengelola data baik dalam bentuk Series (1-dimensional) and DataFrame (2-dimensional).Selain memerlukan pacakages pandas, kamu juga memerlukan packages numpy. Numpy berguna untuk operasi vektor dan matriks. Numpy merupakan salah satu library yang digunakan oleh library lain seperti Scikit-Learn untuk keperluan analisis data. Pada bagian akhir, kamu akan melakukan visualisasi data. Oleh karena itu kamu juga akan memerlukan seaborn Untuk melakukan instalasi packages ini, buka command prompt. Tuliskan perintah berikut pip install pandas pip install numpy pip install sklearn pip install seabon Setelah instalasi pacakages selesai, buat python new file. Pada header program, import library-library yang telah terdownload pada program kamu import pandas import numpy import seaborn import sklearn Melihat Isi Dataset Setelah mengunduh dataset iris, letakkan file .csv pada folder yang sama dengan project. Selanjutnya, gunakan read_csv untuk membaca data pada dataset ini iris=pd.read_csv(‘Iris.csv’) Kamu juga dapat melihat isi data pada file csv. Misal, kamu ingin melihat isi 15 baris pertama pada file iris.csv, ketikkan perintah berikut print(iris.head(15)) Pandas juga memberikan fasilitas untuk melihat summary data, mulai dari count, min, mean, max, dan percentiles. print(iris.describe()) Untuk melihat jumlah data iris tiap kelasnya, gunakan perintah groupby.size print(iris.groupby(‘iris’).size()) Menampilkan Dataset Dalam Bentuk Grafik Kamu dapat menampilkan BoxPlot maupun PairPlot. Jika kamu ingin menampilkan dataset iris berdasarkan distribusi datanya, termasuk data mean, median, dan deviasi, gunakan BoxPlot. Perintah untuk menampilkan dataset dalam grafik Boxplot adalah sebagai berikut plt.figure(figsize=(15,10)) plt.subplot(2,2,1) sns.boxplot(x=’iris’,y=’sepallength’,data=iris) plt.subplot(2,2,2) sns.boxplot(x=’iris’,y=’sepalwidth’,data=iris) plt.subplot(2,2,3) sns.boxplot(x=’iris’,y=’petallength’,data=iris) plt.subplot(2,2,4) sns.boxplot(x=’iris’,y=’petalwidth’,data=iris) Sementara itu, pairplot dapat kamu pilih jika kamu ingin merepresentasikan setiap kelasnya dalam warna yang berbeda. Tampilan grafik ini direpresentasikan dalam single graph. Tampilan data overlap dapat kamu lihat dengan jelas dengan pairplot ini sns.pairplot(iris, hue=’iris’, size=3, diag_kind=”kde”) sns.pairplot(iris,hue=’iris’) Nah, itulh Membuat Klasifikasi Bunga Iris Dengan Python (1). Pada Membuat Klasifikasi Bunga Iris Dengan Python (2), kamu akan belajar bagaimana cara melakukan training dan validating data.