Ide dasar dibalik pohon keputusan adalah membangun sebuah “pohon” menggunakan sekumpulan variabel prediktor yang memprediksi nilai variabel respon menggunakan aturan keputusan.<\/span><\/p>\n Misalnya, kita dapat menggunakan variabel prediktor \u201ctahun bermain\u201d dan \u201crata-rata home run\u201d untuk memprediksi gaji tahunan pemain bisbol profesional.<\/span><\/p>\n Dengan menggunakan kumpulan data ini, model pohon keputusan akan terlihat seperti ini:<\/span> <\/p>\n Inilah cara kami menafsirkan pohon keputusan ini:<\/span><\/p>\n Keuntungan utama dari pohon keputusan adalah dapat diadaptasi dengan cepat ke kumpulan data dan model akhir dapat divisualisasikan dan diinterpretasikan dengan jelas menggunakan diagram “pohon” seperti di atas.<\/span><\/p>\n Kelemahan utamanya adalah pohon keputusan cenderung terlalu cocok dengan<\/a> kumpulan data pelatihan, yang berarti pohon keputusan cenderung berkinerja buruk pada data yang tidak terlihat. Hal ini juga dapat sangat dipengaruhi oleh outlier dalam kumpulan data.<\/span><\/p>\n Perpanjangan dari pohon keputusan adalah model yang dikenal sebagai hutan acak<\/strong> , yang pada dasarnya adalah sekumpulan pohon keputusan.<\/span><\/p>\n Berikut langkah-langkah yang kami gunakan untuk membuat model hutan acak:<\/span><\/p>\n 1.<\/strong> Ambil sampel bootstrap dari kumpulan data asli.<\/span><\/p>\n 2.<\/strong> Untuk setiap sampel bootstrap, buat pohon keputusan menggunakan subset variabel prediktor acak.<\/span><\/p>\n 3.<\/strong> Rata-ratakan prediksi dari setiap pohon untuk mendapatkan model akhir.<\/span><\/p>\n Keuntungan dari hutan acak adalah bahwa hutan tersebut cenderung memiliki kinerja yang jauh lebih baik dibandingkan pohon keputusan pada data yang tidak terlihat dan tidak terlalu rentan terhadap outlier.<\/span><\/p>\n Kelemahan dari hutan acak adalah tidak ada cara untuk memvisualisasikan model akhir dan membangunnya bisa memakan waktu lama jika Anda tidak memiliki daya komputasi yang cukup atau kumpulan data yang Anda kerjakan sangat besar.<\/span><\/p>\n Tabel berikut merangkum kelebihan dan kekurangan pohon keputusan dibandingkan dengan random forest:<\/span> <\/p>\n Berikut penjelasan singkat setiap baris pada tabel:<\/span><\/p>\n 1. Interpretasi<\/strong><\/span><\/p>\n Pohon keputusan mudah diinterpretasikan karena kita dapat membuat diagram pohon untuk memvisualisasikan dan memahami model akhir.<\/span><\/p>\n Sebaliknya, kita tidak dapat memvisualisasikan hutan acak dan sering kali sulit memahami bagaimana model hutan acak final mengambil keputusan.<\/span><\/p>\n 2. Akurasi<\/strong><\/span><\/p>\n Karena pohon keputusan cenderung terlalu cocok dengan kumpulan data pelatihan, kinerjanya cenderung lebih buruk pada kumpulan data yang tidak terlihat.<\/span><\/p>\n Sebaliknya, hutan acak cenderung sangat akurat pada kumpulan data yang tidak terlihat karena hutan acak menghindari penyesuaian yang berlebihan pada kumpulan data pelatihan.<\/span><\/p>\n 3. Kesesuaian yang berlebihan<\/strong><\/span><\/p>\n Seperti disebutkan sebelumnya, pohon keputusan sering kali menyesuaikan data pelatihan: ini berarti pohon keputusan cenderung beradaptasi dengan “gangguan” kumpulan data, dibandingkan dengan model dasar sebenarnya.<\/span><\/p>\n Sebaliknya, karena hutan acak hanya menggunakan variabel prediktor tertentu untuk membangun setiap pohon keputusan, pohon akhir cenderung dihias, artinya model hutan acak kemungkinan tidak akan cocok dengan kumpulan data.<\/span><\/p>\n 4. Pencilan<\/strong><\/span><\/p>\n Pohon keputusan sangat rentan terpengaruh oleh outlier.<\/span><\/p>\n Sebaliknya, karena model hutan acak membangun banyak pohon keputusan individual dan kemudian mengambil rata-rata prediksi dari pohon-pohon tersebut, kecil kemungkinannya untuk terpengaruh oleh outlier.<\/span><\/p>\n 5. Perhitungan<\/strong><\/span><\/p>\n Pohon keputusan dapat dengan cepat disesuaikan dengan kumpulan data.<\/span><\/p>\n Sebaliknya, hutan acak jauh lebih intensif secara komputasi dan pembuatannya membutuhkan waktu lama, bergantung pada ukuran kumpulan data.<\/span><\/p>\n Umumnya:<\/span><\/p>\n Anda harus menggunakan pohon keputusan<\/strong> jika Anda ingin membuat model nonlinier dengan cepat dan dapat dengan mudah menafsirkan cara model tersebut mengambil keputusan.<\/span><\/p>\n Namun, Anda sebaiknya menggunakan hutan acak<\/strong> jika Anda memiliki banyak daya komputasi dan ingin membuat model yang mungkin sangat akurat tanpa mengkhawatirkan cara menafsirkan model tersebut.<\/span><\/p>\n Di dunia nyata, insinyur pembelajaran mesin dan ilmuwan data sering menggunakan hutan acak karena hutan tersebut sangat akurat dan komputer serta sistem modern sering kali dapat menangani kumpulan data besar yang sebelumnya tidak dapat ditangani.<\/span><\/p>\n Tutorial berikut memberikan pengenalan pohon keputusan dan model hutan acak:<\/span><\/p>\n Tutorial berikut menjelaskan cara menyesuaikan pohon keputusan dan hutan acak di R:<\/span><\/p>\n Pohon keputusan adalah jenis model pembelajaran mesin yang digunakan ketika hubungan antara sekumpulan variabel prediktor dan variabel respons bersifat nonlinier. Ide dasar dibalik pohon keputusan adalah membangun sebuah “pohon” menggunakan sekumpulan variabel prediktor yang memprediksi nilai variabel respon menggunakan aturan keputusan. Misalnya, kita dapat menggunakan variabel prediktor \u201ctahun bermain\u201d dan \u201crata-rata home run\u201d untuk memprediksi […]<\/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":"\n![\"contoh](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/decision2.png\")
<\/p>\n\n
Keuntungan dan Kerugian: Pohon Keputusan vs. Hutan Acak<\/strong><\/span><\/h3>\n
![\"tabel](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/decision1.png\")
<\/p>\n Kapan menggunakan pohon keputusan atau hutan acak<\/strong><\/span><\/h3>\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
\n
\n