Jumat, 30 Oktober 2026
02:39 WIB
TERKINI
Lampung Barat Pesan Bupati Lambar: Patriotik, Gigih, dan Berempati Kunci Masa Depan Bangsa Bandar Lampung 343 Polisi Disiagakan Kawal Aksi Sumpah Pemuda 2026 di Bandar Lampung Lampung Selatan Jaringan Penyelundup Solar Subsidi Terbongkar di Lampung Selatan, Tiga Tersangka Diamankan Bandar Lampung Perpanjangan SIM A/C Kini Lebih Praktis: Cek Jadwal dan Syarat di Bandar Lampung Lampung Selatan Gunung Anak Krakatau: Asap Hitam Viral Bukan Erupsi, Status Tetap Siaga Lampung Selatan Jaringan Penyelundup Rokok Ilegal Senilai Rp14,85 Miliar Terbongkar di Bakauheni Bandar Lampung Harga Singkong Lampung Meroket, Petani Nikmati Keuntungan Rp45 Juta per Hektare Bandar Lampung BSU 2026 Segera Disalurkan: Rp900 Ribu dan Analisis Pakar Terkait Tantangan Pekerja Bandar Lampung Optimisme Harga Singkong Lampung 2027: Bibit dan Pupuk Kunci Utama Bandar Lampung Krisis Asap dan Ribuan Titik Panas: WALHI Desak Audit Ekologis TNWK Lampung Barat Pesan Bupati Lambar: Patriotik, Gigih, dan Berempati Kunci Masa Depan Bangsa Bandar Lampung 343 Polisi Disiagakan Kawal Aksi Sumpah Pemuda 2026 di Bandar Lampung Lampung Selatan Jaringan Penyelundup Solar Subsidi Terbongkar di Lampung Selatan, Tiga Tersangka Diamankan Bandar Lampung Perpanjangan SIM A/C Kini Lebih Praktis: Cek Jadwal dan Syarat di Bandar Lampung Lampung Selatan Gunung Anak Krakatau: Asap Hitam Viral Bukan Erupsi, Status Tetap Siaga Lampung Selatan Jaringan Penyelundup Rokok Ilegal Senilai Rp14,85 Miliar Terbongkar di Bakauheni Bandar Lampung Harga Singkong Lampung Meroket, Petani Nikmati Keuntungan Rp45 Juta per Hektare Bandar Lampung BSU 2026 Segera Disalurkan: Rp900 Ribu dan Analisis Pakar Terkait Tantangan Pekerja Bandar Lampung Optimisme Harga Singkong Lampung 2027: Bibit dan Pupuk Kunci Utama Bandar Lampung Krisis Asap dan Ribuan Titik Panas: WALHI Desak Audit Ekologis TNWK

Pengklasifikasi linear

Bagikan:

Dalam pemelajaran mesin, pengklasifikasi linear adalah klasifikasi yang mengambil keputusan berdasarkan nilai kombinasi linear dari sifat-sifatnya. Sifat-sifat suatu objek disebut juga nilai fitur (ciri) dan biasa dinyatakan dalam vektor yang disebut vektor fitur. Pengklasifikasi ini bekerja dengan baik untuk permasalahan praktis seperti klasifikasi dokumen dan masalah-masalah yang memiliki banyak variabel (fitur) hingga mencapai tingkat akurasi yang sekelas dengan pengklasifikasi nonlinear dengan waktu pelatihan yang lebih sedikit.[1]

Definisi

250px-Svm_separating_hyperplanes.png?utm_source=id.wikipedia.org&utm_campaign=parser&utm_content=thumbnail
Pada kasus ini, bulatan isi dan bulatan kosong dapat diklasifikasikan dengan benar oleh banyak pengklasifikasi linear. H1 (biru) mengklasifikasikan dengan benar. Begitu juga H2 (merah). H2 dapat dianggap "lebih baik" dalam artian bahwa garisnya berada paling jauh dari kedua kelompok. H3 (hijau) gagal mengklasifikasikan bulatan-bulatan tersebut dengan benar.

Jika vektor fitur input pengklasifikasi adalah vektor riil x → {\displaystyle {\vec {x}}} {\displaystyle {\vec {x}}}, nilai keluarannya adalah

y = f ( w → ⋅ x → ) = f ( ∑ j w j x j ) {\displaystyle y=f({\vec {w}}\cdot {\vec {x}})=f\left(\sum _{j}w_{j}x_{j}\right)} {\displaystyle y=f({\vec {w}}\cdot {\vec {x}})=f\left(\sum _{j}w_{j}x_{j}\right)}

dengan w → {\displaystyle {\vec {w}}} {\displaystyle {\vec {w}}} adalah vektor riil bobotnya dan f {\displaystyle f} {\displaystyle f} adalah fungsi yang mengubah produk skalar dua vektor ke bentuk keluaran yang diinginkan. Vektor bobot w → {\displaystyle {\vec {w}}} {\displaystyle {\vec {w}}} dipelajari dari himpunan sampel pelatihan yang telah dilabeli. Biasanya, fungsi f {\displaystyle f} {\displaystyle f} adalah fungsi ambang batas yang memetakan semua nilai w → ⋅ x → {\displaystyle {\vec {w}}\cdot {\vec {x}}} {\displaystyle {\vec {w}}\cdot {\vec {x}}} yang di atas batas tertentu ke dalam kelas pertama dan nilai-nilai lainnya ke dalam kelas kedua, misalnya

f ( x ) = { 1 jika    w ⋅ x > T 0 lainnya {\displaystyle f(\mathbf {x} )={\begin{cases}1&{\text{jika }}\ \mathbf {w} \cdot \mathbf {x} >T\\0&{\text{lainnya}}\end{cases}}} {\displaystyle f(\mathbf {x} )={\begin{cases}1&{\text{jika }}\ \mathbf {w} \cdot \mathbf {x} >T\\0&{\text{lainnya}}\end{cases}}}

Fungsi f {\displaystyle f} {\displaystyle f} yang lebih kompleks mungkin dapat memberikan peluang suatu barang termasuk kelas tertentu.

Lihat pula

Referensi

  1. ↑ Guo-Xun Yuan; Chia-Hua Ho; Chih-Jen Lin (2012). "Recent Advances of Large-Scale Linear Classification" (PDF). Proc. IEEE. 100 (9).

Bacaan lebih lanjut

  1. Y. Yang; X. Liu (1999). "A re-examination of text categorization". Proc. ACM SIGIR Conference: 42–49.{{cite journal}}: Pemeliharaan CS1: URL lain-lain (link)
  2. R. Herbrich (2001). Learning Kernel Classifiers: Theory and Algorithms. MIT Press. ISBN 0-262-08306-X.


Ikon rintisan

Artikel bertopik perangkat lunak ini adalah sebuah rintisan. Anda dapat membantu Wikipedia dengan mengembangkannya.

Konten disalin dari Wikipedia Bahasa Indonesia (lisensi CC BY-SA) Lihat versi asli di Wikipedia

Rekomendasi Pilihan