Electrical Engineering: Model Linear

Referensi : Pengenalan Konsep Pembelajaran Mesin dan Deep Learning (Jan Wira Gotama Putra)

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. Tujuan

1. Tujuan [back]
1. Memahami algoritma machine learning model linear

2. Mampu menyelesaikan aplikasi dari model linear

2. Alat dan Bahan [back]
Alat yang digunakan pada pembelajaran ini adalah software Matlab

3. Dasar Teori [back]

Matlab

MATLAB merupakan bahasa pemrograman tingkat tinggi yang dikembangkan oleh MathWorks dan dikhususkan untuk komputasi numerik, visualisasi, dan pemrograman.

MODEL LINEAR

1. Pengertian

Model linear adalah kombinasi linear dari fungs nonlinear dari variable input.

Persamaan linear sederhana :

X adalah input dan w adalah parameter bobot dan b adalah bias.

Garis linear tersebut merupakan fungsi yang mewakili setiap sample. Error ini dapat dihitung menggunakan squared error function.

Dimana yi adalah nilai sebenarnya dan yi~ adalah nilai perkiraan.

2. Binary classification

Binary classification adalah suatu metode untuk menklasifikasikan data menjadi 2 kelas.

F(x) > threshold maka masuk ke kelas 1, F(x) < threshold maka masuk ke kelas 2. Threshold ini menjadi pembatas antara 2 kela (boundary decision).

3. Log-Linear Binary Classification

Digunakan untuk mengetahui besar peluang data tergolong pada suatu kelas.

Fungsi diatas juga dapat diyatakan dalam fungsi logistik

4. Multiclass Classification

Terdapat 2 jenis multiclass classification, yaitu :

a. One versus one

Pada teknik one versus one, kita membuat sejumlah kombinasi pasangan kelas. Kemudian tiap model mengklasifikasikan input ke dalam satu dari 2 kelas. Pemilihan kelas klasifikasi didasarkan pada kelas yang sering muncul.

y_i= 1	y_i= -1	Hipotesis
Kelas 1	kelas 2
Kelas 1	kelas 3
Kelas 1	kelas 4
Kelas 2	kelas 3
Kelas 2	Kelas 4
Kelas 3	Kelas 4

a. One versus all

Model pertama mengklasifikasikan input sebagai kelas pertama atau bukan kelas pertama. Setelah itu, dilanjutkan ke model kedua mengklasifikasikan input sebagai kelas kedua atau bukan kelas kedua, dan seterusnya.

5. Multi label Classification

Pada Multi label Classification mendefinisikan suatu data bisa saja tidak hanya dikelompokkan ke dalam 1 kelas, tetapi bisa saja memenuhi kategori dari 2 kelas yang berbeda.

Contoh :

6. Pembelajaran sebagai Permasalahan Optimisasi

Tujuan dari pembelajaran (training) adalah untuk meminimalkan error sehingga kinerja learning machine (model) diukur oleh squared error. Dengan kata lain, utility function adalah meminimalkan squared error.

θ adalah learning parameter dan θ^ adalah nilai parameter paling optimal. Dan L adalah loss function.

7. Batasan Model Linear

Terdapat 2 batasan yaitu:

a. Additive assumption

Additive assumption berarti model linear menganggap hubungan antara input dan output adalah linear

a. Linear assumption

Linear assumption berarti perubahan pada suatu fitur xi mengakibatkan perubahan yang konstan terhadap output, walaupun seberapa besar/kecil nilai xi tersebut.