Pengklasifikasi linear: Perbedaan antara revisi
Impor teks terkontrol dari Wikipedia bahasa Indonesia; revisi 25292072; atribusi sumber disertakan. |
Presentation V4: sitasi, referensi, Math, Wikimedia Commons, dan atribusi |
||
| Baris 1: | Baris 1: | ||
Dalam [[pemelajaran mesin]], '''pengklasifikasi linear''' adalah klasifikasi yang mengambil keputusan berdasarkan nilai [[kombinasi linear]] dari sifat-sifatnya. Sifat-sifat suatu objek disebut juga nilai fitur (ciri) dan biasa dinyatakan dalam vektor yang disebut [[vektor fitur]]. Pengklasifikasi ini bekerja dengan baik untuk permasalahan praktis seperti [[klasifikasi dokumen]] dan masalah-masalah yang memiliki banyak variabel ([[Vektor fitur|fitur]]) hingga mencapai tingkat akurasi yang sekelas dengan pengklasifikasi nonlinear dengan waktu pelatihan yang lebih sedikit. | Dalam [[pemelajaran mesin]], '''pengklasifikasi linear''' adalah klasifikasi yang mengambil keputusan berdasarkan nilai [[kombinasi linear]] dari sifat-sifatnya. Sifat-sifat suatu objek disebut juga nilai fitur (ciri) dan biasa dinyatakan dalam vektor yang disebut [[vektor fitur]]. Pengklasifikasi ini bekerja dengan baik untuk permasalahan praktis seperti [[klasifikasi dokumen]] dan masalah-masalah yang memiliki banyak variabel ([[Vektor fitur|fitur]]) hingga mencapai tingkat akurasi yang sekelas dengan pengklasifikasi nonlinear dengan waktu pelatihan yang lebih sedikit.<ref>Guo-Xun Yuan. [http://dmkd.cs.vt.edu/TUTORIAL/Bigdata/Papers/IEEE12.pdf Recent Advances of Large-Scale Linear Classification]. ''Proc. IEEE''. 2012. Vol. 100 (9).</ref> | ||
== Definisi == | == Definisi == | ||
[[Gambar:Svm separating hyperplanes.png|thumb|right|Pada kasus ini, bulatan isi dan bulatan kosong dapat diklasifikasikan dengan benar oleh banyak pengklasifikasi linear. H<sub>1</sub> (biru) mengklasifikasikan dengan benar. Begitu juga H<sub>2</sub> (merah). H<sub>2</sub> dapat dianggap "lebih baik" dalam artian bahwa garisnya berada paling jauh dari kedua kelompok. H<sub>3</sub> (hijau) gagal mengklasifikasikan bulatan-bulatan tersebut dengan benar.]] | |||
Jika vektor fitur input pengklasifikasi adalah vektor [[Bilangan riil|riil]] <math>\vec x</math>, nilai keluarannya adalah | Jika vektor fitur input pengklasifikasi adalah vektor [[Bilangan riil|riil]] <math>\vec x</math>, nilai keluarannya adalah | ||
| Baris 25: | Baris 25: | ||
* [[Support-vector machine]] | * [[Support-vector machine]] | ||
* [[Winnow (algoritme)]] | * [[Winnow (algoritme)]] | ||
== Bacaan lebih lanjut == | == Bacaan lebih lanjut == | ||
# | # | ||
# | # | ||
== Referensi == | |||
<references /> | |||
== Sumber dan atribusi == | == Sumber dan atribusi == | ||
Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Pengklasifikasi+linear&oldid=25292072 Wikipedia bahasa Indonesia], revisi 25292072 (2024-02-10T09:27:50Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku. | Konten artikel ini diadaptasi dari [https://id.wikipedia.org/w/index.php?title=Pengklasifikasi+linear&oldid=25292072 Wikipedia bahasa Indonesia], revisi 25292072 (2024-02-10T09:27:50Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku. | ||
<!-- WIKI_UNISSULA_PRESENTATION_V4 --> | |||
Revisi terkini sejak 23 Agustus 2026 10.32
Dalam pemelajaran mesin, pengklasifikasi linear adalah klasifikasi yang mengambil keputusan berdasarkan nilai kombinasi linear dari sifat-sifatnya. Sifat-sifat suatu objek disebut juga nilai fitur (ciri) dan biasa dinyatakan dalam vektor yang disebut vektor fitur. Pengklasifikasi ini bekerja dengan baik untuk permasalahan praktis seperti klasifikasi dokumen dan masalah-masalah yang memiliki banyak variabel (fitur) hingga mencapai tingkat akurasi yang sekelas dengan pengklasifikasi nonlinear dengan waktu pelatihan yang lebih sedikit.[1]
Definisi

Jika vektor fitur input pengklasifikasi adalah vektor riil , nilai keluarannya adalah
dengan adalah vektor riil bobotnya dan adalah fungsi yang mengubah produk skalar dua vektor ke bentuk keluaran yang diinginkan. Vektor bobot dipelajari dari himpunan sampel pelatihan yang telah dilabeli. Biasanya, fungsi adalah fungsi ambang batas yang memetakan semua nilai yang di atas batas tertentu ke dalam kelas pertama dan nilai-nilai lainnya ke dalam kelas kedua, misalnya
Fungsi yang lebih kompleks mungkin dapat memberikan peluang suatu barang termasuk kelas tertentu.
Lihat pula
- Propagasi balik
- Regresi linear
- Perceptron
- Pengklasifikasi kuadratik
- Support-vector machine
- Winnow (algoritme)
Bacaan lebih lanjut
Referensi
- ↑ Guo-Xun Yuan. Recent Advances of Large-Scale Linear Classification. Proc. IEEE. 2012. Vol. 100 (9).
Sumber dan atribusi
Konten artikel ini diadaptasi dari Wikipedia bahasa Indonesia, revisi 25292072 (2024-02-10T09:27:50Z), yang tersedia berdasarkan lisensi Creative Commons Atribusi-BerbagiSerupa (CC BY-SA). Mohon gunakan konten ini secara bijak serta sesuai dengan ketentuan lisensi yang berlaku.