SUPERVISED LEARNING (PREDIKSI) 30 ALGORITMA

1. Pengertian Supervised Learning:

Supervised Learning adalah salah satu metode dalam pembelajaran mesin (machine learning) di mana model dilatih menggunakan data yang sudah diberi label. Data berlabel berarti setiap data input memiliki output yang diketahui dan telah ditentukan sebelumnya. Proses pelatihan ini melibatkan pemetaan input ke output yang benar, dengan tujuan agar model dapat melakukan prediksi yang akurat pada data baru yang belum pernah dilihat sebelumnya.

Dalam supervised learning, model dibimbing (supervised) dengan contoh-contoh dari data berlabel, sehingga dapat belajar dari pola-pola yang ada untuk kemudian digunakan dalam memprediksi atau mengklasifikasikan data yang tidak dikenal. Terdapat dua jenis utama tugas dalam supervised learning, yaitu:

• Klasifikasi : Di mana output yang diprediksi adalah kategori atau kelas (contohnya, deteksi email spam, diagnosis penyakit).
• Regres i: Di mana output yang diprediksi adalah nilai kontinu (contohnya, prediksi harga rumah, prediksi nilai saham).

2. Proses Supervised Learning:

• Pengumpulan Data : Mengumpulkan data yang sudah diberi label.
• Pembagian Data : Memisahkan data menjadi set pelatihan dan set pengujian.
• Pelatihan Model : Melatih model dengan set pelatihan.
• Evaluasi Model : Menguji kinerja model menggunakan set pengujian.
• Prediksi : Menggunakan model yang sudah terlatih untuk membuat prediksi pada data baru.

3. Algoritma Supervised Learning:

Berikut adalah 30 algoritma prediksi yang umum digunakan dalam Supervised Learning:

1. Linear Regression

2. Logistic Regression

3. Decision Tree

4. Random Forest

5. Support Vector Machine (SVM)

6. K-Nearest Neighbors (KNN)

7. Naive Bayes

8. Gradient Boosting Machines (GBM)

9. AdaBoost

10. XGBoost

11. LightGBM

12. CatBoost

13. Ridge Regression

14. Lasso Regression

15. Elastic Net

16. Polynomial Regression

17. Bayesian Linear Regression

18. Multi-layer Perceptron (MLP)

19. Convolutional Neural Network (CNN)

20. Recurrent Neural Network (RNN)

21. Long Short-Term Memory (LSTM)

22. Extreme Gradient Boosting (XGBoost)

23. Stochastic Gradient Descent (SGD)

24. Perceptron

25. Quadratic Discriminant Analysis (QDA)

26. Linear Discriminant Analysis (LDA)

27. Bagging

28. Voting Classifier

29. Stacking

30. Extra Trees