Tantangan klasifikasi

Supervised Learning dengan scikit-learn

George Boorman

Core Curriculum Manager, DataCamp

Mengklasifikasikan label data baru

Bangun model
Model belajar dari data berlabel yang kita berikan
Masukkan data tanpa label ke model
Model memprediksi label data yang belum terlihat

Data berlabel = data latih

k-Nearest Neighbors

Prediksi label suatu titik data dengan
- Melihat k titik data berlabel terdekat
- Mengambil suara mayoritas

k-Nearest Neighbors

scatter plot dengan titik biru dan merah, serta titik baru berwarna hitam

k-Nearest Neighbors

radius di sekitar tiga titik terdekat dari titik hitam

k-Nearest Neighbors

radius di sekitar lima titik terdekat dari titik hitam

Intuisi KNN

scatterplot biaya malam total vs biaya siang total; titik biru = churn, merah = tidak churn

Intuisi KNN

scatterplot churn dengan batas keputusan yang membagi titik menurut prediksi KNN: churn atau tidak

Melatih classifier dengan scikit-learn

from sklearn.neighbors import KNeighborsClassifier

X = churn_df[["total_day_charge", "total_eve_charge"]].values
y = churn_df["churn"].values

print(X.shape, y.shape)

(3333, 2), (3333,)

knn = KNeighborsClassifier(n_neighbors=15)

knn.fit(X, y)

Memprediksi data tanpa label

X_new = np.array([[56.8, 17.5],
                  [24.4, 24.1],
                  [50.1, 10.9]])

print(X_new.shape)

(3, 2)

predictions = knn.predict(X_new)

print('Predictions: {}'.format(predictions))

Predictions: [1 0 0]

Ayo berlatih!

Supervised Learning dengan scikit-learn