Scribd Logo
Unggah

Selamat datang di Scribd!

  • Paper Cerbu2

    Diunggah oleh

    Hadi Bwd
    1 tayangan2 halaman

    Judul Asli

    paper cerbu2.docx

    Hak Cipta

    © © All Rights Reserved

    Format Tersedia

    DOCX, PDF, TXT atau baca online dari Scribd

    Apakah menurut Anda dokumen ini bermanfaat?

    Apakah konten ini tidak pantas?

    Laporkan Dokumen Ini

    Hak Cipta:

    © All Rights Reserved
    Unduh sebagai DOCX, PDF, TXT atau baca online dari Scribd
    Tandai sebagai konten tidak pantas
    1 tayangan2 halaman

    Paper Cerbu2

    Diunggah oleh

    Hadi Bwd

    Hak Cipta:

    © All Rights Reserved
    Unduh sebagai DOCX, PDF, TXT atau baca online dari Scribd
    Tandai sebagai konten tidak pantas
    dari 2

    III.

    RANDOM FOREST DENGAN banyak pohon keputusan dan melakukan


    PYTHON klasifikasi berdasarkan keluaran dari hasil
    A. Mengklasifikasikan Kelas Animal klasifikasi setiap pohon keputusan anggota.
    Berdasarkan Ciri-cirinya Setiap pohon keputusan dalam random forest
    sdibentuk menggunakan algoritma berikut:
    Dataset yang kami gunakan adalah 1. N diartikan sebagai jumlah pelatihan dan
    list nama hewan dengan atribut- M sebagai jumlah variabel pada classifier
    atribut yang meliputi : 2. m yang merupakan variabel input
    1. Nama Hewan = Unik digunakan untuk menentukan keputusan pada
    2. Berambut = Boolean sebuah titik di pohon; m<M
    3. Berbulu = Boolean 3. Pilih training set untuk tree dengan
    4. Bertelur = Boolean memilih n kali dengan pemindahan untuk
    5. Susu = Boolean semua N training cases yang tersedia (misal :
    6. Bersayap = Boolean ambil sampel bootstrap). gunakan sisa kasus
    7. Hidup di air = Boolean untuk memperkirakan error dari tree dengan
    8. Pemangsa = Boolean cara memprediksi kelasnya.
    9. Mempunyai gigi = Boolean 4. untuk setiap titik dari tree, secara acak pilih
    10. Memiliki tulang belakang = m variabel yang berdasarkan keputusan pada
    Boolean titik tersebut. Kalkulasi split terbaik
    11. Bernapas dengan paru-paru = berdasarkan m variabel tersebut pada training
    Boolean set.
    12. Berbisa = Boolean 5. Masing-masing tree tumbuh dan tidak
    13. Memiliki sirip = Boolean ditaklukkan (sebagaimana dilakukan pada
    14. Jumlah kaki = Numeris (Nilai : 0, saat membangun classifier pada normal tree).
    2, 4, 5, 6, 8)
    15. Ekor = Boolean C. Implementasi Metode Random
    16. Dapat dipelihara = Boolean Forest pada Python
    17. Catsize = Boolean
    18. Tipe Kelas Tipe Kelas = Numeris • Mendeklarasikan penggunaan library
    (Integer dalam rentang 1 – 7), dan fungsi yang akan digunakan
    dengan rincian sebagai berikut : 1. Mengimpor modul pandas
    1. Mamalia 2. Mengimpor modul numpy
    2. Aves 3. Mengimpor modul
    3. Reptil matplotlib.pyplot
    4. Pisces 4. Mengimpor fungsi
    5. Amfibi RandomForestClassifier dari modul
    6. Serangga sklearn.neighbors
    7. Invertebrata 5. Mengimpor fungsi accuracy_score
    dari modul sklearn.metrics
    B. Penjelasan Metode Random Forest • Program mengimpor dataset
    “zoo.data.txt”
    Random forest (atau random forests)
    adalah sekumpulan classifier yang terdiri dari
    • Membuat numpy array “X” yang
    mengambil data dengan kolom berisi
    atribut hewan kecuali “type”
    1. Hair
    2. Feather
    3. Egg
    4. Milk
    5. Airbone
    6. Aquatic
    7. Predator
    8. Toothed
    9. Backbone
    10. Breathe Grafik Percobaan dan Grafik Real
    11. Venomous
    12. Fin
    13. Leg
    14. Tail
    15. Domestic
    16. Catsize
    • Membuat numpy array “y” yang
    mengambil data dengan kolom berisi
    atribut hewan “type”
    • Melakukan train dan validasi
    sebanyak 10 kali dan menampilkan
    akurasi yang didapat dari setiap
    Fig. 1 : Percobaan dengan 101 Dataset
    iterasi
    Nilai Akurasi : 0.9498
    • Memprediksi tipe hewan dan
    membandingkan dengan tipe
    REFERENSI
    sebenarnya dengan 101 dataset, lalu
    ditampilkan nilai akurasinya.
     Koehrsen W. 2017. Randomm Forest
    2. Hasil Program in Python. Diakses 22 Mei 2018.
     Polamuri S. 2017. Building Random
    Tabel 1 Forest Classifier with Python Scikit
    Random Forest Validation Learn. Diakses 22 Mei 2018.
     Hidayat S. 2018. Algoritma Random
    Forest. Diakses 22 Mei 2018.

    Anda mungkin juga menyukai