Machine Learning dengan Naive Bayes
Pernahkah
kita mencoba berifikir bagaimana kita mengambil keputusan sehari – hari ?.
Tentu ada perbedaan pendapat dalam menentukan sebuah keputusan. Misal dari
berbagai keputusan tersebut ada yang cara mengambil keputusan tersebut dari
Intuisi dan tentu saja ada yang mengambil keputusan dari pengalaman.
Contoh pengambilan keputusan
dari pengalaman tersebut adalah misal anda sudah 3 kali makan mie pedas di 3
buah restaurant yang berbeda – beda dan setelah anda makan anda akan mersakan
perut yang sakit. Lalu anda ke sebuah restaurant untuk membeli sebuah Mie yang
tidak pedas dan hasilnya adalah perut anda tidak sakit. Tentu saja ketika anda
akan makan di sebuah restaurant lagi, berdasarkan pengalaman anda tentu anda
akan memilih sebuah menu yang tidak pedas karena dari pengalaman anda tersebut
menu pedas bisa membuat perut anda sakit.
Memilih menu di restaurant
tersebut merupakan salah satu contoh mengambil keputusan berdasarkan
pengalaman. Namun bagaimana untuk mengambil keputusan untuk sesuatu hal yang
lebih rumit dari permasalahan diatas ?. Misal untuk memutuskan ketika anda
ingin berolahraga atau tidak anda harus mempertimbangkan faktor temparatur
suhu, kecepatan angin dan cuaca.
Oleh sebab itu digunakan sebuah
teknik yaitu Machine Learning. Machine Learning adalah proses pembelajaran pada
sebuah mesin, yang nantinya mesin tersebut dapat belajar dari data – data yang
sudah ada dan bisa membantu kita dalam Menentukan keputusan.
Ada banyak sekali metode dalam
Machine Learning. Sedangkan metode yang akan
kita bahas pada artikel ini adalah Metode Bayesian Learning.
Bayesian
Learning
Salah satu metode dalam Machine
Learning yang akan kita pelajari ini adalah Bayesian Learning.
Mengapa Menggunakan Bayesian Learning
?
·
Karena Bayesian Learning ini cocok untuk
sebuah data yang tidak konsisten, dibandingkan dengan metode lainnya seperti
Find-S (Salah satu metode machine Learning Lainnya)
·
Bayesian Learning merupakan metode yang
baik di dalam mesin pembelajaran berdasarkan data training, dengan menggunakan
probabilitas bersyarat sebagai dasarnya.
# Probabilitas Bersyarat
Sebelum beranjak mengenal lebih dalam
tentang Teorema Bayes. Terelebih dahulu kita harus mengetahui tentang
Probabilitas Bersyarat. Karena probabilitas bersyarat ini menjadi dasar dari
teorema bayes
Gambar
diatas adalah sebuah contoh dari probabilitas bersyarat dimana Probabilitas X
didalam Y sama dengan Probabilitas X irisan Y dibagi dengan Probabilitas Y.
Misalkan
kita melihat contoh dari data dibawah ini.
Dari
data Diatas Probabilitas Ya dalam kesuluruhan data adlah 4/6
P(Olahraga=Ya)
= 4/6
Lalu
dengan menggunakan Rumus Probabilitas Bersyarat Probabilitas Untuk cuaca cerah
dalam Berolah – raga = Ya adalah P(cuaca=cerah dan olahraga=ya) = 4/6 Maka :
P(cuaca
= cerah | olahraga = ya ) = 4/6 / 4/6 = 1
# Metode Bayes
“Keadaan Posterior (Probabilitas Xk dalam Y) dapat dihitung dari
keadaan prior (Probabilitas Y di dalam Xk dibagi dengan jumlah dari semua
probabilitas Y di dalam semua Xi)”
Jadi dalam metode bayes kita dapat
menghitung probabilitas Xk didalam Y dengan cara menghitung Probabilitas Y
didalam Xk dibagi dengan jumlah dari semua probabilitas Y di dalam semua Xi.
# Map Hypothesis
MAP
(Maximum A prior Probability) Hypothesis adalah hiptesa yang diambil
berdasarkan nilai Probabilitas berdasarkan kondisi Prior yang diketahui. Dengan
ditunjukkan Gambar dibawah ini.
Dimana
h adalah Hipotesa dan D adalah Data yang ada pada permasalahtersebut. Untuk
mencari h(map) map hypotesis kita harus mencari Prior Probability yang memiliki
nilai maksimum. Berhubung pembagi pada nilai P(D) selalu sama makan pembagi
P(D) kita hilangkan.
# Bayes Theorem
Peluang Posterior dari
h P(h|D): Merepresentasikan probabilitas h kepada seluruh data training
Observasi D.
Dengan teorema Bayes
kita dapat menghitung P(h|D) :
# Naive Bayes Classifier
·
Anggap setiap x dari training set D di
deskripsikan oleh konjungsi dari nilai dari n attribute <a1,a2,..,an> dan
anggal f(x), sebagai fungsi tujuan. Sehingga f(x) adalah elemen dari V adalah
sebuah set yang terbatas.
Pada
rumus diatas untuk mendapatkan sebuah Vmap maka kita perlu mencari nilai
tertinggi dari Probabilitas masing –
masing opsi mulai dari a1,a2,...,an didalam vj dikalikan probabilitas vj dalam
data.
·
Dengan pendekatan bayesian
Dengan mengasumsikan nilai attribut
secara kondisional independet sehingga P(a1,a2,...,an | vj) = (pi) P(a1,vj).
Setiap element nya tidak dependent terhadap satu sma lain.
