From 7c26ff7e7ff65a0cc66f4cbaadf317655eff39ce Mon Sep 17 00:00:00 2001 From: Sasongko Bawono Date: Tue, 28 May 2024 16:05:36 +0700 Subject: [PATCH] modified: post/2024-05-20-klasifikasi-decision-tree-sklearn/index.html --- .../index.html | 16 ++++++++-------- 1 file changed, 8 insertions(+), 8 deletions(-) diff --git a/post/2024-05-20-klasifikasi-decision-tree-sklearn/index.html b/post/2024-05-20-klasifikasi-decision-tree-sklearn/index.html index 523714bb..4241e1ab 100644 --- a/post/2024-05-20-klasifikasi-decision-tree-sklearn/index.html +++ b/post/2024-05-20-klasifikasi-decision-tree-sklearn/index.html @@ -268,22 +268,22 @@

5 Species 150 non-null object dtypes: float64(4), int64(1), object(1) memory usage: 7.2+ KB -

Selanjutnya menentukan mana yang merupakan jenis (hasil klasifikasi/label) dan mana yang merupakan kriterianya (atribut).

-
kriteria = iris[['SepalLengthCm', 'SepalWidthCm','PetalLengthCm', 'PetalWidthCm']]
-jenis = iris['Species']
+

Selanjutnya menentukan mana yang merupakan y (jenis/hasil klasifikasi/label) dan mana yang merupakan X nya (kriteria/atribut).

+
X = iris[['SepalLengthCm', 'SepalWidthCm','PetalLengthCm', 'PetalWidthCm']]
+y = iris['Species']

Setelah itu membuat model decision tree, melatih model dengan fungsi fit()

from sklearn.tree import DecisionTreeClassifier
 tree_model = DecisionTreeClassifier()
-tree_model = tree_model.fit(kriteria_train, jenis_train)
+tree_model = tree_model.fit(X_train, y_train)

Setelah modelnya klasifikasinya jadi, kita bisa gunakan model itu untuk mengklasifikasi. Misal akan dicari jenis bunga iris dengan panjang sepal 6,5 cm, lebar sepal 3,2 cm, panjang petal 6 cm dan lebar petal 2,5 cm. Kriteria ini kita jadikan sebagai sebuah variabel cari_jenis.

-
cari_jenis = [6.5, 3.2, 6.0, 2.5]
-print(tree_model.predict([cari_jenis])[0])
+
cari_y = [6.5, 3.2, 6.0, 2.5]
+print(tree_model.predict([cari_y])[0])
 
Hasilnya?

 
Iris-virginica
 
Yes, iris viriginica. Lalu, apakah ini akurat? Kita tes akurasinya

 
from sklearn.metrics import accuracy_score
-jenis_pred = tree_model.predict(kriteria_test)
-akurasi = accuracy_score(jenis_pred, jenis_test)
+y_pred = tree_model.predict(X_test)
+akurasi = accuracy_score(y_pred, y_test)
 print('Akurasi : ', 100*akurasi,'%')
 
Akurasi :  93.33333333333333 %