Assalamualaikum warahmatullahi wabarakatuh...
Halo teman teman semua pada blog sebelumnya kita telah membahas Decision Tree dan untuk judul kali ini kita akan membahas klasifikasi dari SVM atau Support Vector Machine.
SVM atau Support Vector Machine adalah yaitu hyperlane terbaik yang berfungsi sebagai pemisah dua kelas data. Tujuan utama dari model klasifikasi SVM adalah mencari hyperplane maksimum. Ide sederhana dari SVM adalah memaksimalkan margin, yang merupakan jarak pemisah antara kelas data. SVM mampu bekerja pada dataset yang berdimensi tinggi dengan menggunakan kernel trik. SVM hanya menggunakan beberapa titik data terpilih yang berkontribusi untuk membentuk model yang akan digunakan dalam proses klasifikasi.
-Decision Boundary yaitu pemisah antar class (hyperplane).
-Margin yaitu jarak terdekat dari decision boundary dengan data yang ingin dipisahkan.
-Support Vector yaitu anggota kelas yang berperan untuk menentukan margin.
Kasus itu tidak serta merta tampilannya mudah seperti gambar sebelumnya. Faktanya di lapangan, data bisa rapat-rapat, data dapat menumpuk-numpuk, sehingga tidak semudah pada gambar sebelumnya dalam membuat pemisahnya. Bentuk datanya juga bisa acak-acak dan belum tentu juga ada dua kelas yang dipisahkan.
Datanya bisa berbentuk melingkar seperti gambar di bawah ini , sehingga kita tidak dapat langsung menarik garis diagonal untuk membuat pemisahnya. Oleh sebab itu kita dapat menggunakan cari lain untuk membuat pemisahnya dengan cara Lineary Inspereable & Kernel Trick. Kernel Trick ini menggunakan fungsi-fungsi, jadi pemisahnya tidak hanya berupa garis tetapi bisa berupa parabola, lingkaran, dan lain sebagainya.
Pada kasus seperti gambar di atas, ketika dipisahkan dengan sebuah kernel, pemisahnya menjadi 3 dimensi (x, y, dan z). Hasilnya seperti gambar berikut:
CONTOH :
Tidak ada komentar:
Posting Komentar