Pembelajaran yang Diawasi
Pembelajaran yang diawasi melibatkan pelatihan model pada kumpulan data berlabel. Data berlabel berarti data masukan dipasangkan dengan keluaran yang benar. Tujuannya agar model dapat mempelajari pemetaan atau hubungan antara input dan output sehingga dapat melakukan prediksi atau mengklasifikasikan data baru yang belum terlihat secara akurat. Ada dua jenis utama pembelajaran yang diawasi:
-
Klasifikasi: Ini melibatkan prediksi label kategorikal. Misalnya saja menentukan apakah suatu email termasuk spam atau bukan spam berdasarkan ciri-ciri tertentu (seperti kata yang digunakan, pengirim, dan sebagainya). Algoritma seperti Support Vector Machines (SVM), Decision Trees, dan Neural Networks digunakan untuk klasifikasi.
-
Regresi: Melibatkan prediksi nilai berkelanjutan. Misalnya, memprediksi harga rumah berdasarkan fitur-fiturnya seperti luas, jumlah kamar tidur, dll. Algoritma seperti Regresi Linier, Hutan Acak, dan Peningkatan Gradien digunakan untuk tugas regresi.
Pembelajaran Tanpa Pengawasan
Pembelajaran tanpa pengawasan melibatkan pelatihan model pada kumpulan data tanpa label. Di sini, algoritme mencoba menemukan pola tersembunyi atau struktur intrinsik dalam data tanpa pengawasan eksplisit. Tujuannya adalah untuk mengeksplorasi data, memahami strukturnya, dan mengekstraksi wawasan yang bermakna. Jenis pembelajaran tanpa pengawasan yang umum meliputi:
-
Pengelompokan: Mengelompokkan titik data serupa berdasarkan fitur atau kesamaan tertentu. Misalnya, mengelompokkan segmen pelanggan berdasarkan perilaku pembelian mereka menggunakan algoritma seperti K-Means atau Hierarchical Clustering.
-
Pengurangan Dimensi: Mengurangi jumlah fitur sambil tetap mempertahankan informasi penting. Analisis Komponen Utama (PCA) dan t-Distributed Stochastic Neighbor Embedding (t-SNE) digunakan untuk memvisualisasikan data berdimensi tinggi dalam ruang berdimensi lebih rendah.
Kapan Menggunakan Masing-masing
-
Pembelajaran yang Diawasi digunakan ketika Anda telah memberi label pada data dan ingin memprediksi atau mengklasifikasikan kejadian di masa depan berdasarkan data yang diberi label tersebut. Misalnya, jika Anda memiliki data historis tentang pembelian pelanggan dan ingin memprediksi pembelian di masa mendatang, pembelajaran yang diawasi adalah pilihan yang tepat.
-
Pembelajaran Tanpa Pengawasan digunakan ketika Anda tidak memiliki data berlabel atau ketika Anda ingin menjelajahi dan memahami struktur dasar data. Misalnya, dalam deteksi anomali atau menemukan pola tersembunyi dalam kumpulan data besar.
Terkadang, kombinasi kedua jenis pembelajaran, yang dikenal sebagai pembelajaran semi-supervised, dapat digunakan ketika Anda memiliki sejumlah kecil data berlabel dan sejumlah besar data tidak berlabel, sehingga memungkinkan model mendapatkan manfaat dari kedua sumber informasi tersebut. .
