Data untuk melatih model
Pelajaran 2 dari 19 dalam kursus Pengantar Machine Learning di Coddy.
Dalam Pembelajaran Mesin, data berperan penting dalam melatih dan mengembangkan model. Untuk memasukkan data ke dalam model, data biasanya disusun dalam format terstruktur yang dikenal sebagai dataset (DataFrame di pandas).
Dataset terdiri dari dua bagian utama:
- Fitur: Sekumpulan kolom yang mewakili kumpulan data
- Variabel target: Mewakili output atau nilai yang ingin diprediksi atau diperkirakan oleh model.
Misalnya, berikut adalah tabel Cuaca.
| id | degrees (C) | humidity (%) | wind (KM/H) | is_rain |
| 1 | 23 | 5 | 14 | True |
| 2 | 30 | 10 | 17 | False |
| 3 | 15 | 3 | 12 | False |
| 4 | 20 | 12 | 5 | False |
| 5 | 26 | 57 | 23 | True |
Misalkan kita ingin mengetahui apakah hujan akan turun. Fiturnya adalah degrees, humidity, wind, dan variabel targetnya adalah is_rain.
Fitur dilambangkan sebagai <strong>X</strong>, dan target dilambangkan sebagai <strong>y</strong>.
Variabel target (<strong>y</strong>) dapat berisi tipe data apa pun, angka, boolean, string, dan sebagainya.
Selama proses pelatihan, model menggunakan fitur sebagai input, dan variabel target sebagai nilai acuan atau output yang benar.
Tanpa variabel target, model tidak akan tahu apakah prediksinya benar atau tidak.
Struktur dataset memiliki banyak variasi:
- Banyak fitur, satu variabel target
- Satu fitur, satu variabel target
- Banyak fitur, banyak variabel target
- Sedikit fitur, satu atau beberapa variabel target
- Tidak ada variabel target
- Data deret waktu
- dan sebagainya.
Pembelajaran terawasi menggunakan dataset dengan pasangan input-output, yang memungkinkan algoritma mempelajari pemetaan input ke variabel target yang sesuai.
Pembelajaran tanpa pengawasan tidak menggunakan variabel target. Sebaliknya, pembelajaran ini mencari pola atau struktur dalam data input tanpa contoh berlabel.
Pastikan variabel target independen dari kolom lainnya, karena ketergantungan apa pun dapat menyebabkan kebocoran data dan menghasilkan performa yang tampak sangat tinggi selama pelatihan. Model yang benar-benar prediktif harus belajar dari fitur yang tidak berkaitan langsung dengan target, sehingga integritas dan kemampuan generalisasi prediksi model tetap terjaga.
Variabel target yang independen tidak dapat dihitung atau diperoleh secara langsung dari kolom lain dalam datasetmu. Variabel inilah yang ingin kamu prediksi.
Uji dirimuPelajaran ini berisi kuis singkat. Mulai pelajarannya untuk menjawab kuis dan melacak progresmu.
Uji dirimuPelajaran ini berisi kuis singkat. Mulai pelajarannya untuk menjawab kuis dan melacak progresmu.
Uji dirimuPelajaran ini berisi kuis singkat. Mulai pelajarannya untuk menjawab kuis dan melacak progresmu.
Tantangan
MudahKamu diberi file CSV bernama galactic_zoo_no_target.csv. Dataset ini tidak memiliki variabel target.
Dalam tantangan ini, kamu akan membuat variabel target sendiri. Buat kolom bernama ComplexityIndex yang berasal dari rumus: WaterCoverage * HabitatDiversity / PlanetMass. Lalu, hapus kolom WaterCoverage, HabitatDiversity, dan PlanetMass, karena sekarang kolom-kolom tersebut sudah direpresentasikan oleh ComplexityIndex.
Untuk menyelesaikan tantangan, jangan cetak apa pun. Kami memeriksa variabel df secara internal.
Coba sendiri
# pandas as pd sudah diimpor
df = pd.read_csv("galactic_zoo_no_target.csv")
# Tulis kodemu di bawah ini
Semua pelajaran di Pengantar Machine Learning
Latihan sendiri: Compiler Python online