Model Ini Lebih Akurat Daripada Model Decision Tree Regression

Artificial Intelligence For Learning The Basics

Plot by Kirill Eremenko & Hadelin de Ponteves on Udemy

Random Forest Regression merupakan gabungan dari banyaknya model Decision Tree Regression untuk disatukan dan diambil rata – rata nilai dari setiap model Decision Tree Regression yang telah dibuat sehingga menghasilkan model yang lebih akurat.

Penggabungan model – model Decision Tree Regression ini dinamakan Ensemble Learning, Ensemble Learning ini digunakan untuk memperkuat prediksi dari model Decision Tree Regression supaya lebih akurat.

Penggabungan model – model Decision Tree Regression lebih baik daripada satu model Decision Tree Regression karena satu model memprediksi hasil yang akurat untuk salah satu dataset terntu. Sementara saat data baru dimasukkan ke dalam model ini, hasilnya pun bisa menjadi berbeda.

Banyaknya model yang dibuat bisa memberikan hasil prediksi yang berbeda – beda sesuai dengan perbedaan data yang dilatih dalam model Decision Tree Regression. Hal ini membuat model Random Forest Regression menjadi model yang fleksibel dan model yang lebih akurat daripada Decision Tree Regression.

Cara Kerja Random Forest Regression

1. Pemilihan K Data Poin
Dari dataset yang ingin Anda observasi, Random Forest Regression akan memilih K data poin secara acak untuk dilatih kedalam masing – masing model Decision Tree Regression yang akan dibuat.

2. Pembangunan Decision Tree Sesuai Dengan K Data Poin
Data yang sudah diambil secara acak dari K data poin, data tersebut akan dipisah berdasarkan node yang penting atau informatif dan kemudian Decision Tree akan mmebuat subset yang optimal untuk dilatih dalam model Decision Tree Regression.

3. Pilih Berapa Banyak Tree Yang Diinginkan
Setelah satu model Decision Tree Regression sudah dibuat, tentukan berapa banyak Tree yang diinginkan untuk membuat model Decision Tree Regression. Semakin banyak tree yang digunakan untuk membuat model Decision Tree Regression, semakin akurat pula hasil prediksi dari model tersebut.

4. Gabungkan Model Decision Tree Yang Telah Dibuat
Setelah Anda menentukan banyaknya tree yang Anda inginkan, misalnya ada 100 tree yang Anda ingingkan, maka proses nomor 1 dan 2 diulang sampai 100 tree terbuat.

Ensemble Learning akan menggabungkan semua model Decision Tree Regression yang dibuat secara acak dan membuatnya menjadi model Random Forest Regression yang lebih akurat.

5. Evaluasi Model Random Forest Regression
Setelah model Random Forest Regression selesai dibuat, ada baiknya Anda selalu evaluasi model tersebut. Apabila ada data tambahan, perubahan terhadap data, atau ada hal yang harus diperbaiki dari model tersebut, maka model Random Forest Regression harus diperbaharui.

Lakukan parameter tuning untuk mendapatkan model yang lebih akurat dari perubahan yang terjadi pada model Random Forest Regression. Parameter ini seperti jumlah pohon yang ingin dibangun, kedalaman maksimum pohon, jumlah features yang dipertimbangkan dan lain – lain.

Kode Python Untuk Membangun Model Random Forest Regression

• Impor Librari

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

• Impor Dataset

dataset = pd.read_csv(‘Position_Salaries.csv’)
X = dataset.iloc[:, 1:-1].values
y = dataset.iloc[:, -1].values

• Training Semua Dataset Kedalam Model Random Forest Regression

from sklearn.ensemble import RandomForestRegressor
regressor = RandomForestRegressor(n_estimators = 10, random_state = 0)
regressor.fit(X, y)

• Visualisasi Plot Random Forest Regression

X_grid = np.arange(min(X), max(X), 0.01)
X_grid = X_grid.reshape((len(X_grid), 1))
plt.scatter(X, y, color = ‘red’)
plt.plot(X_grid, regressor.predict(X_grid), color = ‘blue’)
plt.title(‘Truth or Bluff (Random Forest Regression)’)
plt.xlabel(‘Position level’)
plt.ylabel(‘Salary’)
plt.show()

Plot by Kirill Eremenko & Hadelin de Ponteves on Udemy

• Prediksi Data Baru

regressor.predict([[6.5]])

Note:
Hasil dari prediksi diatas ada di kisaran 167000. Ini menandakan model Random Forest Regression yang lebih akurat daripada Decision Tree Regression karena nilai dari level 6.5 pada model Decision Tree Regression adalah 150000 yang dimana itu seharusnya bukan nilai prediksi yang diharapkan dari level 6.5.

Hasil 167000 dari level 6.5 adalah hal yang lebih akurat walaupun tidak ada data aktual dari nilai level 6.5 yang dilatih dalam model Random Forest Regression. Hal tersebut menandakan prediksi yang lebih akurat karena nilai dari level 6.5 mendekati nilai dari level 6.

Dari penjelasan diatas, Anda dapat mengetahui bahwa model Random Forest Regression merupakan model yang lebih akurat daripada model Decision Tree Regression karena teknik Ensemble Learning yang menggabungkan semua hasil prediksi model Decision Tree Regression.

Bagi anda yang ingin memberikan komentar pada website ini, silahkan tulis komentar Anda dengan mengisi nama dan alamat email Anda. Anda dapat membaca blog kami sebelumnya mengenai langkah jitu dalam jual beli saham untuk mendapatkan keuntungan tanpa batas dan blog kami selanjutnya mengenai terminologi – terminologi di pasar saham.