Supervised Learning

Supervised learning, juga dikenal sebagai supervised machine learning, adalah subkategori machine learning dan kecerdasan buatan

Pendahuluan:

Seiring berjalannya waktu, manusia belajar dari pengalaman, dan berdasarkan pengalaman itu mereka mengambil keputusan. Serupa dengan cara kerja machine learning, dengan menggunakan pola dan algoritma dari catatan sebelumnya, komputer dapat belajar dan beradaptasi. Komputer Anda menganalisis dan menyimpulkan dari data sebelumnya tanpa petunjuk eksplisit, memproyeksikan hasil di masa depan berdasarkan dasar catatan yang ada.

Apa itu machine learning?

Machine learning adalah kategori analisis data yang mengotomatiskan pembentukan model diagnostik. Ini adalah sistem yang dapat mengekstrak informasi dari data, mendiagnosis pola, dan menarik kesimpulan dengan sedikit atau tanpa campur tangan manusia. Sistem mampu belajar dan berkembang tanpa diprogram secara eksplisit berkat penggunaan kecerdasan buatan.

Apa itu supervised learning?

Kecerdasan buatan dibuat melalui supervised learning. Dalam metode ini, algoritma komputer dilatih dengan memberinya data (yang telah diberi label dengan tepat) untuk hasil tertentu. Data dilatih hingga mampu mengenali pola dan menentukan hubungan antara data masukan dan label keluaran. Kita dapat menggunakannya untuk menentukan hasil yang tepat untuk label tertentu.

Apa saja contoh supervised learning?

Singkatnya, supervised learning adalah ketika kita memiliki seorang pengajar yang melatih mesin menggunakan data berlabel yang baik. Dengan metode supervised learning, komputer diberi sekelompok atau sejumlah contoh (data) baru untuk menganalisis data pelatihan (kumpulan contoh pelatihan atau persiapan) dan menghasilkan keluaran yang sesuai dari data berlabel.

Bagaimana cara kerja supervised learning?

Dalam supervised learning, kita melatih model dengan menggunakan dataset berlabel. Model dilatih sesuai dengan setiap jenis data. Setelah proses pelatihan selesai, kita menguji model yang telah dilatih dengan data uji. Berdasarkan pelatihan sebelumnya, mesin memprediksi keluaran.

Misalkan kita memiliki dataset dengan beragam bentuk segitiga, seperti persegi, persegi panjang, dan poligon. Model klasik harus dilatih untuk setiap bentuk sebagai fase awal.

• Jika suatu bentuk memiliki empat sisi atau sudut dan semuanya sama, maka bentuk itu disebut persegi.
• Seluruh prosedur akan diberi label segitiga jika memiliki tiga sisi.
• Ketika bentuk yang dimasukkan memiliki enam sisi yang sama, maka bentuk itu disebut segi enam.

Setelah pelatihan, kita menggunakan set uji untuk menguji model sempurna kita, dan tujuan model adalah mengenali bentuk tersebut.

Sistem sebelumnya telah diajari berbagai bentuk, dan ketika menemukan bentuk baru, ia mengategorikannya.[1]

Apa saja langkah dalam machine learning?

• Pertama, tentukan jenis dataset pelatihan yang akan Anda gunakan.
• Peroleh data pelatihan berlabel dengan mengumpulkan dan menghimpunnya.
• Bagi dataset pelatihan menjadi tiga bagian: pelatihan, pengujian, dan validasi.
• Tentukan karakteristik masukan dari dataset pelatihan, yang harus mencakup informasi yang cukup agar model dapat memprediksi keluaran dengan berhasil.
• Pilih algoritma yang sesuai untuk model, seperti support vector machine atau decision tree.
• Gunakan dataset pelatihan untuk menjalankan algoritma. Set validasi, yang merupakan himpunan bagian dari dataset pelatihan, kadang diperlukan sebagai pengatur atau parameter kontrol.
• Dengan memberikan set uji, Anda dapat menilai ketepatan model. Jika model memprediksi hasil dengan benar, maka model kita akurat.

Apa saja kategori supervised learning?

Berikut adalah kategori yang dimiliki supervised learning.

1. Regresi
2. Klasifikasi

Apa keunggulan supervised learning?

• Dalam data pengajaran, Anda akan memiliki pandangan terperinci tentang periode-periodenya.
• Anda seharusnya mampu memahami cara kerja mekanisme supervised learning. Dalam unsupervised learning, kita tidak selalu mengetahui apa yang terjadi di dalam mesin, bagaimana ia belajar, dan seterusnya.
• Sebelum menyerahkan diri pada data latihan, Anda dapat mengatur jumlah kelas secara rinci.
• Anda dapat sangat tepat tentang arti kelas-kelasnya, yaitu Anda dapat melatih pengklasifikasi sedemikian rupa sehingga memiliki batas keputusan yang sempurna dan dapat membedakan berbagai kelas dengan andal.
• Anda tidak perlu menyimpan data pengajaran di memori setelah menyelesaikan seluruh program. Sebagai gantinya, Anda dapat menggunakan rumus matematika untuk menyimpan batas keputusan.[2]

Apa kekurangan supervised learning?

• Dalam berbagai hal, supervised learning bersifat tidak alami, dan tidak dapat menyelesaikan beberapa tugas yang lebih rumit dalam machine learning.
• Supervised learning, berbeda dengan unsupervised learning, tidak dapat mengekstrak informasi yang belum teridentifikasi dari data pelatihan.
• Berbeda dengan unsupervised learning; tidak dapat mengelompokkan atau mengategorikan data dengan menentukan karakteristiknya sendiri.
• Dalam klasifikasi, jika kita memasukkan masukan yang bukan berasal dari kelas mana pun dalam data pelatihan, hasilnya bisa berupa label kelas yang salah. Bayangkan Anda menggunakan data kucing dan anjing untuk melatih pengklasifikasi gambar. Jika Anda memberikan gambar jerapah, hasilnya mungkin kucing atau anjing, yang tidak benar.
• Misalkan set pendidikan Anda kehilangan beberapa contoh dan Anda ingin menambahkannya dalam suatu pelajaran. Maka, setelah pembelajaran, Anda mungkin tidak memperoleh label kelas yang tepat sebagai masukan ketika menggunakan sampel tersebut.

Kesimpulan:

Supervised learning unggul dalam masalah klasifikasi dan regresi, seperti menentukan kategori artikel berita atau memperkirakan jumlah transaksi pada tanggal mendatang. Tujuan proses supervised adalah mempelajari makna data dalam konteks masalah tertentu.

1. Supervised Machine Learning. Tersedia dari: https://www.javatpoint.com/supervised-machine-learning.
2. Petersson, D.supervised learning. Tersedia dari: https://www.techtarget.com/searchenterpriseai/definition/supervised-learning.

 

Dua jenis utama supervised learning

• Klasifikasi: memprediksi kategori, seperti spam atau bukan spam, atau apakah suatu transaksi adalah penipuan.
• Regresi: memprediksi angka, seperti harga rumah atau penjualan bulan depan.

Algoritma umum

Regresi linear dan logistik, decision tree, random forest, support vector machine, k-nearest neighbours, dan jaringan saraf.

Contoh sederhana

Untuk memprediksi apakah pelanggan akan terlambat membayar cicilan, Anda melatih model pada pelanggan masa lalu yang hasilnya sudah diketahui (tepat waktu atau terlambat) dengan fitur seperti kelompok pendapatan, uang muka yang dibayar, dan perilaku sebelumnya. Model kemudian menilai pelanggan baru. Alat cicilan seperti Installment Management System menyimpan data semacam ini.

Kekuatan dan keterbatasan

Supervised learning akurat jika Anda memiliki data berlabel yang baik, tetapi pemberian label itu mahal dan model hanya mempelajari apa yang ditunjukkan oleh label. Bandingkan dengan unsupervised learning dan reinforcement learning.

Jawaban singkat

Apa itu overfitting?

Overfitting terjadi ketika model menghafal data pelatihan dan berkinerja buruk pada data baru. Hal ini dikurangi dengan lebih banyak data, model yang lebih sederhana, dan validasi.