<\/p>\n
Seringkali saat bekerja dengan algoritme klasifikasi<\/a> pembelajaran mesin, kelas dalam kumpulan data menjadi tidak seimbang.<\/span><\/span><\/p>\n Misalnya:<\/span><\/p>\n Karena kelas-kelas yang tidak seimbang ini, model prediktif yang Anda buat mungkin tidak berfungsi dengan baik pada kelas minoritas.<\/span><\/p>\n Parahnya lagi, kelas minoritas sering kali menjadi kelas yang paling ingin kita prediksi.<\/span><\/p>\n Salah satu cara untuk mengatasi masalah ketidakseimbangan ini adalah dengan menggunakan teknik pengambilan sampel berlebihan minoritas sintetik<\/strong> , yang sering disingkat SMOTE<\/strong> .<\/span><\/p>\n Teknik ini melibatkan pembuatan dataset baru dengan melakukan oversampling observasi dari kelas minoritas, sehingga menghasilkan dataset dengan kelas yang lebih seimbang.<\/span><\/p>\n Cara termudah untuk menggunakan SMOTE di R adalah dengan menggunakan fungsi SMOTE()<\/strong> dari paket DMwR<\/strong> .<\/span><\/p>\n Fungsi ini menggunakan sintaks dasar berikut:<\/span><\/span><\/p>\n Emas:<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan fungsi ini dalam praktiknya.<\/span><\/p>\n Misalkan kita memiliki kumpulan data berikut dengan 100 observasi<\/a> di R dimana 90 memiliki kelas “Ya” dan 10 memiliki kelas “Tidak” untuk variabel respon:<\/span><\/p>\n Ini adalah contoh klasik dari dataset yang tidak seimbang karena variabel respon yang kita prediksi memiliki 90 observasi dengan kelas \u201cYa\u201d dan hanya 10 observasi dengan kelas \u201cTidak\u201d.<\/span><\/span><\/p>\n Untuk membuat dataset yang lebih seimbang, kita dapat menggunakan fungsi SMOTE()<\/strong> dari paket DMwR<\/strong> :<\/span><\/p>\n Dataset yang dihasilkan berisi 210 observasi dengan kelas \u201cTidak\u201d dan 800 observasi dengan kelas \u201cYa\u201d.<\/span><\/p>\n Inilah tepatnya bagaimana fungsi SMOTE menghasilkan kumpulan data baru ini:<\/span><\/p>\n Hasil akhirnya adalah dataset yang masih berisi lebih banyak kelas mayoritas, namun masih lebih seimbang dibandingkan dataset aslinya.<\/span><\/p>\n Anda sekarang dapat mengadaptasi algoritma klasifikasi pilihan Anda ke kumpulan data baru ini, yang seharusnya memiliki kinerja lebih baik pada kelas minoritas karena terdapat lebih banyak observasi dari kelas minoritas dalam kumpulan data baru ini.<\/span><\/p>\n Catatan<\/strong> : Silakan bermain-main dengan argumen perc.over<\/strong> dan perc.under<\/strong> di fungsi SMOTE untuk mendapatkan kumpulan data yang sesuai dengan kebutuhan Anda.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:<\/span><\/p>\n Cara membuat tabel ringkasan di R<\/a> Seringkali saat bekerja dengan algoritme klasifikasi pembelajaran mesin, kelas dalam kumpulan data menjadi tidak seimbang. Misalnya: Kumpulan data yang berisi informasi tentang apakah pemain perguruan tinggi direkrut ke NBA atau tidak mungkin memiliki 98% pemain yang belum direkrut dan 2% sedang direkrut. Kumpulan data yang berisi informasi apakah pasien menderita kanker atau tidak mungkin berisi […]<\/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\n
SMOTE(form, data, perc. over<\/span> = 200<\/span> , perc. under<\/span> = 200<\/span> , ...)\n<\/strong><\/pre>\n\n
Contoh: Cara menggunakan SMOTE di R<\/strong><\/span><\/h3>\n
#make this example reproducible\n<\/span>set. seed<\/span> ( 0<\/span> )\n\n#create data frame with one response variable and two predictor variables\n<\/span>df <- data. frame<\/span> (y=rep(as. factor<\/span> (c(' Yes<\/span> ', ' No<\/span> ')), times=c( 90<\/span> , 10<\/span> )),\n x1=rnorm( 100<\/span> ),\n x2=rnorm( 100<\/span> ))\n\n#view first six rows of data frame\n<\/span>head(df)\n\n y x1 x2\n1 Yes 1.2629543 0.7818592\n2 Yes -0.3262334 -0.7767766\n3 Yes 1.3297993 -0.6159899\n4 Yes 1.2724293 0.0465803\n5 Yes 0.4146414 -1.1303858\n6 Yes -1.5399500 0.5767188\n \n#view distribution of response variable\n<\/span>table(df$y)\n\n Drowned \n 10 90<\/strong><\/pre>\n library<\/span> ( DMwR)\n\n<\/span>#use SMOTE to create new dataset that is more balanced\n<\/span>new_df <- SMOTE(y ~ ., df, perc. over<\/span> = 2000<\/span> , perc. under<\/span> = 400<\/span> )\n\n#view distribution of response variable in new dataset\n<\/span>table(new_df$y)\n\n Drowned \n210,800\n<\/strong><\/pre>\n\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara menormalkan data di R<\/a>
Cara menghilangkan outlier di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"