Decision In R (taksonomi "reading skills")

         DECISION IN R DENGAN TAKSONOMI DECISION 3

    Pohon Keputusan adalah algoritma pembelajaran mesin terawasi yang berguna yang memiliki kemampuan untuk melakukan tugas regresi dan klasifikasi. dengan diawali dengan cabang ditandai dengan node dan cabang dimana tes/node tersebut direpresentasikan. lalu, hasil dari prosedur ini direpresentasikan di cabang dan label kelas direpresentasikan di node daun.J

    Jenis algoritma berbasis pohon ini adalah salah satu algoritma yang paling banyak digunakan karena fakta bahwa algoritma ini mudah untuk ditafsirkan dan digunakan. Terlepas dari ini, model prediksi yang dikembangkan oleh algoritma ini ditemukan memiliki stabilitas yang baik dan akurasi yang layak karena mereka sangat populer.

    R – Contoh Pohon Keputusan

Sekarang mari kita periksa konsep ini dengan bantuan sebuah contoh, yang dalam hal ini adalah kumpulan data "keterampilan membaca" yang paling banyak digunakan dengan memvisualisasikan pohon keputusan untuknya dan memeriksa keakuratannya.

Impor pustaka yang diperlukan dan import dataset readingSkills dan jalankan head(readingSkills)

#library yang akan di jalankan

library(caTools)

library(party)

install.packages("dplyr")

library(dplyr)

install.packages("magrittr")

library(magrittr)

output: 

metode 1 : Seperti yang dilihat dengan jelas ada 4 kolom nativeSpeaker, age, shoeSize, dan score. Jadi pada dasarnya kita akan mencari tahu apakah seseorang adalah penutur asli atau tidak menggunakan kriteria lain dan melihat keakuratan model pohon keputusan.

Memisahkan kumpulan dataset menajdi 4:1 rasio dataset train dan test

sample_data = sample.split(readingSkills, SplitRatio = 0.8)

train_data <- subset(readingSkills, sample_data == TRUE)

test_data <- subset(readingSkills, sample_data == FALSE)

output:

metode 2: Memisahkan data ke dalam set pelatihan dan pengujian merupakan bagian penting dalam pengembangan model penambangan data. Oleh karena itu dipisahkan menjadi set pelatihan dan pengujian. Setelah model menerima dengan menggunakan set pelatihan, ketika menguji model dengan membuat prediksi terhadap pengujian. Karena data dalam pengujian sudah berisi nilai yang diketahui untuk atribut yang ingin prediksi, mudah untuk menentukan apakah tebakan model benar.

Buat model keputusan menggunakan ctree dan plot modelnya

model<- ctree(nativeSpeaker ~ ., train_data)

plot(model)

metode 3: di mana, rumus menggambarkan variabel prediktor dan respons dan data adalah kumpulan data yang digunakan. Dalam hal ini, nativeSpeaker adalah variabel respon dan variabel prediktor lainnya diwakili oleh, maka ketika kita memplot model kita mendapatkan output berikut.

output:

metode 4: dari pohon tersebut terlihat jelas bahwa mereka yang memiliki skor kurang dari atau sama dengan 34.40 dan yang berusia kurang dari atau sama dengan 4 bukanlah penutur asli dan bagi mereka yang skornya lebih besar dari 34,402 dengan kriteria yang sama, ditemukan menjadi penutur asli.