{"id":1215,"date":"2023-07-27T06:38:25","date_gmt":"2023-07-27T06:38:25","guid":{"rendered":"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat\/"},"modified":"2023-07-27T06:38:25","modified_gmt":"2023-07-27T06:38:25","slug":"spline-regresi-adaptif-multivariat","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat\/","title":{"rendered":"Pengantar spline regresi adaptif multivariat"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Ketika hubungan antara sekumpulan variabel prediktor dan <a href=\"https:\/\/statorials.org\/id\/variabel-tanggapan-penjelas\/\" target=\"_blank\" rel=\"noopener noreferrer\">variabel respons<\/a> bersifat linier, kita sering kali dapat menggunakan <a href=\"https:\/\/statorials.org\/id\/regresi-linier-berganda\/\" target=\"_blank\" rel=\"noopener noreferrer\">regresi linier<\/a> , yang<\/span> <span style=\"color: #000000;\">mengasumsikan bahwa hubungan antara variabel prediktor tertentu dan variabel respons berbentuk:<\/span><\/p>\n<p> <span style=\"color: #000000;\">Y = \u03b2 <sub>0<\/sub> + \u03b2 <sub>1<\/sub> X + \u03b5<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun dalam praktiknya, hubungan antar variabel mungkin bersifat nonlinier dan upaya menggunakan regresi linier dapat menghasilkan model yang tidak sesuai.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Salah satu cara untuk memperhitungkan hubungan nonlinier antara variabel prediktor dan respons adalah dengan menggunakan<a href=\"https:\/\/statorials.org\/id\/regresi-polinomial-1\/\" target=\"_blank\" rel=\"noopener noreferrer\">regresi polinomial<\/a> , yang berbentuk:<\/span><\/p>\n<p> <span style=\"color: #000000;\">Y = \u03b2 <sub>0<\/sub> <sup>+<\/sup> \u03b2 <sub>1<\/sub> X + \u03b2 <sub>2<\/sub> X <sup>2<\/sup> + \u2026 + \u03b2 <sub>h<\/sub><\/span><\/p>\n<p> <span style=\"color: #000000;\">Dalam persamaan ini, <em>h<\/em> disebut \u201cderajat\u201d polinomial. Semakin tinggi nilai <em>h<\/em> , model menjadi lebih fleksibel dan mampu beradaptasi dengan data non-linier.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><span style=\"color: #000000;\">Namun, regresi polinomial memiliki beberapa kelemahan:<\/span><\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1.<\/strong> Regresi polinomial dapat dengan mudah <a href=\"https:\/\/statorials.org\/id\/pembelajaran-mesin-yang-berlebihan\/\" target=\"_blank\" rel=\"noopener noreferrer\">menyesuaikan<\/a> kumpulan data jika derajat <em>, h<\/em> , dipilih terlalu besar. Dalam praktiknya, <em>h<\/em> jarang lebih besar dari 3 atau 4 karena di luar titik tersebut h hanya sesuai dengan noise dari set pelatihan dan tidak dapat digeneralisasikan dengan baik pada data yang tidak terlihat.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><b>2.<\/b> Regresi polinomial menerapkan fungsi global pada seluruh kumpulan data, yang tidak selalu tepat.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Alternatif untuk regresi polinomial adalah <strong>splines regresi adaptif multivariat<\/strong> .<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Ide dasarnya<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Spline regresi adaptif multivariat berfungsi sebagai berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1. Bagilah kumpulan data menjadi <em>k<\/em> bagian.<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Pertama, kita membagi kumpulan data menjadi <em>k<\/em> elemen berbeda. Titik di mana kita membagi kumpulan data disebut <em>node<\/em> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Kami mengidentifikasi node dengan mengevaluasi setiap titik untuk setiap prediktor sebagai node potensial dan membuat model regresi linier menggunakan fitur kandidat. Titik yang mampu mengurangi kesalahan terbanyak dalam model adalah node.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Setelah kami mengidentifikasi node pertama, kami mengulangi proses tersebut untuk menemukan node tambahan. Anda dapat menemukan node sebanyak yang Anda anggap masuk akal untuk memulai.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2. Pasangkan fungsi regresi pada setiap bagian untuk membentuk fungsi engsel.<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Setelah kita memilih node dan menyesuaikan model regresi ke setiap elemen dalam kumpulan data, kita akan mendapatkan apa yang disebut <em>fungsi engsel<\/em> , yang dilambangkan dengan <em>h(xa)<\/em> , dengan <em>a<\/em> adalah ambang batas nilai.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, fungsi engsel untuk model satu simpul mungkin adalah:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">y = \u03b2 <sub>0<\/sub> + \u03b2 <sub>1<\/sub> (4,3 \u2013 x) jika x &lt; 4,3<\/span><\/li>\n<li> <span style=\"color: #000000;\">y = \u03b2 <sub>0<\/sub> + \u03b2 <sub>1<\/sub> (x \u2013 4.3) jika x &gt; 4.3<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Dalam hal ini, ditentukan bahwa memilih <strong>4,3<\/strong> sebagai nilai ambang batas memungkinkan pengurangan kesalahan maksimum di antara semua nilai ambang batas yang mungkin. Kami kemudian menyesuaikan model regresi yang berbeda dengan nilai di bawah 4,3 versus nilai di atas 4,3.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Fungsi engsel dengan dua node dapat berupa sebagai berikut:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">y = \u03b2 <sub>0<\/sub> + \u03b2 <sub>1<\/sub> (4,3 \u2013 x) jika x &lt; 4,3<\/span><\/li>\n<li> <span style=\"color: #000000;\">y = \u03b2 <sub>0<\/sub> + \u03b2 <sub>1<\/sub> (x \u2013 4,3) jika x &gt; 4,3 &amp; x &lt; 6,7<\/span><\/li>\n<li> <span style=\"color: #000000;\">y = \u03b2 <sub>0<\/sub> + \u03b2 <sub>1<\/sub> (6,7 \u2013 x) jika x &gt; 6,7<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Dalam hal ini, ditentukan bahwa memilih <strong>4.3<\/strong> dan <strong>6.7<\/strong> sebagai nilai ambang batas memungkinkan pengurangan kesalahan maksimum di antara semua nilai ambang batas yang mungkin. Kami kemudian menyesuaikan satu model regresi dengan nilai di bawah 4,3, model regresi lainnya dengan nilai antara 4,3 dan 6,7, dan model regresi lainnya dengan nilai di atas 4,3.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>3. Pilih <em>k<\/em> berdasarkan validasi silang k-fold.<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Terakhir, setelah kami memasang beberapa model berbeda menggunakan jumlah node berbeda untuk setiap model, kami dapat melakukan <a href=\"https:\/\/statorials.org\/id\/k-lipat-validasi-silang\/\" target=\"_blank\" rel=\"noopener noreferrer\">validasi silang k-fold<\/a> untuk mengidentifikasi model yang menghasilkan mean squared error (MSE) pengujian terendah.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Model dengan uji MSE terendah dipilih sebagai model yang paling baik dalam menggeneralisasi data baru.<\/span><\/p>\n<h3> <strong><span style=\"color: #000000;\">Keuntungan dan kerugian<\/span><\/strong><\/h3>\n<p> <span style=\"color: #000000;\">Spline regresi adaptif multivariat memiliki kelebihan dan kekurangan sebagai berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>Keuntungan<\/strong> :<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Ini dapat digunakan untuk <a href=\"https:\/\/statorials.org\/id\/regresi-vs.-klasifikasi\/\" target=\"_blank\" rel=\"noopener noreferrer\">masalah regresi dan klasifikasi<\/a> .<\/span><\/li>\n<li> <span style=\"color: #000000;\">Ini berfungsi dengan baik pada kumpulan data besar.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Ini menawarkan perhitungan cepat.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Ini tidak mengharuskan Anda untuk membakukan variabel prediktor.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\"><strong>Kekurangannya:<\/strong><\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Ini cenderung tidak bekerja sebaik metode non-linier seperti hutan acak dan mesin peningkat gradien.<\/span><\/li>\n<\/ul>\n<h3> <strong><span style=\"color: #000000;\">Cara menyesuaikan model MARS di R &amp; Python<\/span><\/strong><\/h3>\n<p> <span style=\"color: #000000;\">Tutorial berikut memberikan contoh langkah demi langkah tentang cara menyesuaikan spline regresi adaptif multivariat (MARS) di R dan Python:<\/span><\/p>\n<p> <a href=\"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat-di-r\/\" target=\"_blank\" rel=\"noopener noreferrer\">Spline Regresi Adaptif Multivariat di R<\/a><br \/> Spline Regresi Adaptif Multivariat dengan Python<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Ketika hubungan antara sekumpulan variabel prediktor dan variabel respons bersifat linier, kita sering kali dapat menggunakan regresi linier , yang mengasumsikan bahwa hubungan antara variabel prediktor tertentu dan variabel respons berbentuk: Y = \u03b2 0 + \u03b2 1 X + \u03b5 Namun dalam praktiknya, hubungan antar variabel mungkin bersifat nonlinier dan upaya menggunakan regresi linier [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Pengantar spline regresi adaptif multivariat<\/title>\n<meta name=\"description\" content=\"Tutorial ini memberikan pengenalan Multivariate Adaptive Regression Splines (MARS), sebuah teknik regresi umum dalam pembelajaran mesin.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Pengantar spline regresi adaptif multivariat\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini memberikan pengenalan Multivariate Adaptive Regression Splines (MARS), sebuah teknik regresi umum dalam pembelajaran mesin.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T06:38:25+00:00\" \/>\n<meta name=\"author\" content=\"Benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Ditulis oleh\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Estimasi waktu membaca\" \/>\n\t<meta name=\"twitter:data2\" content=\"3 menit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat\/\",\"url\":\"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat\/\",\"name\":\"Pengantar spline regresi adaptif multivariat\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T06:38:25+00:00\",\"dateModified\":\"2023-07-27T06:38:25+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini memberikan pengenalan Multivariate Adaptive Regression Splines (MARS), sebuah teknik regresi umum dalam pembelajaran mesin.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Pengantar spline regresi adaptif multivariat\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/id\/#website\",\"url\":\"https:\/\/statorials.org\/id\/\",\"name\":\"Statorials\",\"description\":\"Panduan anda untuk kompetensi statistik!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/id\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"id\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\",\"name\":\"Benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"id\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin anderson\"},\"description\":\"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya\",\"sameAs\":[\"http:\/\/statorials.org\/id\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Pengantar spline regresi adaptif multivariat","description":"Tutorial ini memberikan pengenalan Multivariate Adaptive Regression Splines (MARS), sebuah teknik regresi umum dalam pembelajaran mesin.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat\/","og_locale":"id_ID","og_type":"article","og_title":"Pengantar spline regresi adaptif multivariat","og_description":"Tutorial ini memberikan pengenalan Multivariate Adaptive Regression Splines (MARS), sebuah teknik regresi umum dalam pembelajaran mesin.","og_url":"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat\/","og_site_name":"Statorials","article_published_time":"2023-07-27T06:38:25+00:00","author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Ditulis oleh":"Benjamin anderson","Estimasi waktu membaca":"3 menit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat\/","url":"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat\/","name":"Pengantar spline regresi adaptif multivariat","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T06:38:25+00:00","dateModified":"2023-07-27T06:38:25+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini memberikan pengenalan Multivariate Adaptive Regression Splines (MARS), sebuah teknik regresi umum dalam pembelajaran mesin.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/spline-regresi-adaptif-multivariat\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Pengantar spline regresi adaptif multivariat"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/id\/#website","url":"https:\/\/statorials.org\/id\/","name":"Statorials","description":"Panduan anda untuk kompetensi statistik!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/id\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"id"},{"@type":"Person","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81","name":"Benjamin anderson","image":{"@type":"ImageObject","inLanguage":"id","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Benjamin anderson"},"description":"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya","sameAs":["http:\/\/statorials.org\/id"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1215"}],"collection":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/comments?post=1215"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1215\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1215"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1215"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1215"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}