PERTEMUAN 10(prediksi) dan algoritma yang ada didalamnya (minimal 30 algoritma prediksi) berikan penjelasanannya

 

          

  Supervised learning adalah jenis pembelajaran mesin di mana model dilatih menggunakan data yang telah diberi label. Artinya, setiap contoh dalam data pelatihan terdiri dari pasangan input-output, di mana input adalah data yang digunakan untuk membuat prediksi dan output adalah nilai yang ingin diprediksi. Tujuan dari supervised learning adalah untuk mempelajari sebuah fungsi yang memetakan input ke output berdasarkan data pelatihan, sehingga model tersebut dapat membuat prediksi yang akurat pada data baru.

 

Berikut adalah penjelasan tentang 30 algoritma prediksi yang digunakan dalam supervised learning:

 

1.     Linear Regression

            Digunakan untuk memprediksi nilai kontinu. Mengasumsikan hubungan linear antara input dan output.

2.     Logistic Regression

            Digunakan untuk klasifikasi biner. Menghasilkan probabilitas yang menunjukkan kelas mana yang lebih mungkin untuk setiap contoh input.

3.     Decision Trees

            Struktur pohon yang membagi data berdasarkan fitur-fitur sampai ke simpul daun yang mewakili kelas atau nilai prediksi.

4.     Random Forest

            Ensemble dari banyak pohon keputusan yang dilatih dengan sampel data yang berbeda dan hasil akhirnya didasarkan pada mayoritas suara atau rata-rata dari pohon-pohon tersebut.

5.     Support Vector Machines (SVM)

            Menemukan hyperplane yang memaksimalkan margin antara kelas-kelas dalam data untuk klasifikasi. Dapat juga digunakan untuk regresi.

6.     K-Nearest Neighbors (KNN)

            Algoritma non-parametrik yang memprediksi kelas berdasarkan mayoritas kelas dari K tetangga terdekat dalam ruang fitur.

7.     Naive Bayes

            Berdasarkan Teorema Bayes, mengasumsikan bahwa fitur-fitur bersifat independen satu sama lain. Efektif untuk klasifikasi teks dan masalah lainnya.

8.     Gradient Boosting Machines (GBM)

            Ensemble dari pohon keputusan yang dilatih secara berurutan, di mana setiap pohon mencoba mengoreksi kesalahan dari pohon sebelumnya.

9.     AdaBoost

            Algoritma boosting yang menggabungkan beberapa model "lemah" untuk membentuk model yang "kuat". Model lemah dilatih secara sekuensial, masing-masing fokus pada kesalahan dari model sebelumnya.

10.  XGBoost

            Implementasi efisien dari gradient boosting yang sering kali lebih cepat dan lebih akurat daripada algoritma boosting lainnya.

11.  CatBoost

Algoritma gradient boosting yang dioptimalkan untuk data kategorikal.

12.  LightGBM

            Algoritma gradient boosting yang sangat cepat dan efisien, dioptimalkan untuk skala besar.

13.  Artificial Neural Networks (ANN)

            Model yang terinspirasi oleh jaringan saraf biologis, terdiri dari lapisan-lapisan neuron yang saling terhubung.

 

14.  Convolutional Neural Networks (CNN)

            Variasi dari ANN yang sangat efektif untuk data gambar. Menggunakan lapisan konvolusi untuk mengekstrak fitur-fitur dari gambar.

15.  Recurrent Neural Networks (RNN)

            ANN yang dirancang untuk data sekuensial, seperti teks atau urutan waktu, dengan koneksi antar node yang membentuk graf berarah sepanjang urutan.

16.  Long Short-Term Memory (LSTM)

            Varian dari RNN yang mampu belajar dari data sekuensial dengan dependensi jangka panjang.

17.  Gated Recurrent Unit (GRU)

            Jenis lain dari RNN yang mirip dengan LSTM tapi lebih sederhana dan lebih cepat.

18.  Elastic Net

Regresi linier yang menggabungkan penalti L1 dan L2 untuk regulasi.

19.  Ridge Regression

Regresi linier dengan penalti L2 untuk mengurangi kompleksitas model.

20.  Lasso Regression

            Regresi linier dengan penalti L1 yang dapat menghasilkan model yang lebih spars dengan beberapa koefisien yang benar-benar nol.

21.  Bayesian Regression

            Pendekatan probabilistik untuk regresi linier yang menggabungkan informasi prior dengan data observasi.

22.  Partial Least Squares Regression (PLSR)

            Digunakan untuk regresi ketika prediktor sangat berkorelasi atau jumlah prediktor lebih besar daripada jumlah observasi.

 

23.  Principal Component Regression (PCR)

            Menggunakan analisis komponen utama untuk mengurangi dimensi data sebelum melakukan regresi linier.

24.  Kernel Ridge Regression

            Menggabungkan ridge regression dengan kernel trick untuk menangani data non-linear.

25.  Multi-Layer Perceptron (MLP)

            ANN yang terdiri dari beberapa lapisan perseptron, yang dapat digunakan untuk tugas klasifikasi maupun regresi.

26.  Extreme Learning Machine (ELM)

            Varian dari MLP dengan pelatihan yang sangat cepat, di mana bobot input-hidden dipilih secara acak.

27.  Quadratic Discriminant Analysis (QDA)

            Metode diskriminan yang mengasumsikan distribusi Gauss untuk setiap kelas dengan matriks kovarian yang berbeda.

28.  Linear Discriminant Analysis (LDA)

            Metode diskriminan yang mengasumsikan distribusi Gauss untuk setiap kelas dengan matriks kovarian yang sama.

29.  Perceptron

            Algoritma pembelajaran sederhana untuk klasifikasi biner yang berdasarkan pada jaringan saraf satu lapis.

30.  Stochastic Gradient Descent (SGD)

            Metode optimasi yang sangat efisien untuk model regresi dan klasifikasi, terutama bila ukuran data sangat besar.