SVM adalah metode terawasi karena mempelajari kumpulan data dengan kelas yang ditentukan untuk setiap item. Salah satu contoh paling populer yang menguraikan metode Support Vector Machine adalah sekelompok bola biru dan merah di atas meja.Â
Anda dapat menempatkan tongkat biliar, memisahkan bola biru dari merah jika tidak tercampur. Dalam contoh ini, warna bola adalah kelas dan tongkat berfungsi sebagai fungsi linier yang membagi dua kelompok bola. Selanjutnya, algoritma SVM menghitung posisi garis yang memisahkannya.
Fungsi linier mungkin tidak berfungsi jika bola dengan warna berbeda digabungkan dalam situasi yang lebih kompleks. Dalam hal ini, algoritma SVM dapat memproyeksikan item ke dimensi yang lebih tinggi (yaitu hyperplane) untuk menentukan pengklasifikasi yang benar.
Ketika mempertimbangkan interpretasi data visual biasa, setiap item (titik) berisi dua parameter (x,y). Hyperplane yang mengklasifikasikan akan memiliki lebih banyak dimensi jika setiap titik memiliki lebih banyak koordinat. Anda dapat menggunakan konsep algoritme SVM ini saat mengerjakan proyek tahun terakhir Anda untuk ilmu komputer.
4. Algoritma Apriori
Algoritma Apriori bekerja dengan mempelajari aturan asosiasi. Aturan asosiasi adalah teknik data mining yang digunakan untuk mempelajari korelasi antar variabel dalam database. Setelah aturan asosiasi dipelajari, itu diterapkan ke database yang berisi sejumlah besar transaksi.Â
Algoritma Apriori digunakan untuk menemukan pola yang menarik dan hubungan timbal balik dan karenanya diperlakukan sebagai pendekatan pembelajaran tanpa pengawasan. Menurut saya algoritme ini sangat efisien, menghabiskan banyak memori, menggunakan banyak ruang disk, dan memakan banyak waktu.
Misalkan Anda memiliki database yang terdiri dari satu set semua produk yang dijual di pasar. Setiap baris dalam tabel sesuai dengan transaksi pelanggan. Anda dapat dengan mudah memeriksa barang apa saja yang dibeli setiap pelanggan. Algoritme Apriori menguraikan produk apa yang sering dibeli bersamaan. Selanjutnya, menggunakan informasi ini untuk meningkatkan pengaturan barang untuk meningkatkan penjualan.
Misalnya, sepasang barang adalah satu set dua item: keripik dan bir. Apriori menghitung parameter ini sebagai berikut:
Dukungan untuk setiap itemset: Ini menunjukkan berapa kali itemset ini ada dalam database.
Keyakinan untuk setiap item: Probabilitas bersyarat yang menunjukkan item lain apa yang akan dibeli pelanggan dari cakupan yang diberikan jika mereka membeli sesuatu.
