Supervised Machine Learning

Supervised learning adalah jenis machine learning di mana mesin dilatih menggunakan data pelatihan yang diberi label dengan baik, dan berdasarkan data tersebut, mesin memprediksi output. Data berlabel berarti beberapa data input sudah diberi tag dengan output yang benar. Dalam supervised learning, data pelatihan yang diberikan kepada mesin berfungsi sebagai supervisor yang mengajarkan mesin untuk memprediksi output dengan benar. Ini menerapkan konsep yang sama seperti seorang siswa belajar di bawah pengawasan guru. Supervised learning adalah proses memberikan data input serta data output yang benar kepada model machine learning. Tujuan dari algoritma supervised learning adalah menemukan fungsi pemetaan untuk memetakan variabel input (x) dengan variabel output (y). Di dunia nyata, supervised learning dapat digunakan untuk Penilaian Risiko, Klasifikasi Gambar, Deteksi Penipuan, pemfilteran spam, dll. Cara Kerja Supervised Learning Dalam supervised learning, model dilatih menggunakan dataset berlabel, di mana model belajar tentang setiap jenis data. Setelah proses pelatihan selesai, model diuji berdasarkan data uji (subset dari set pelatihan), dan kemudian memprediksi output. Kerja supervised learning dapat dengan mudah dipahami melalui contoh dan diagram berikut: Misalkan kita memiliki dataset dari berbagai jenis bentuk yang mencakup persegi, persegi panjang, segitiga, dan poligon. Langkah pertama adalah kita perlu melatih model untuk setiap bentuk. Setelah pelatihan, kita menguji model kita menggunakan set uji, dan tugas model adalah mengidentifikasi bentuk. Mesin sudah dilatih pada semua jenis bentuk, dan ketika menemukan bentuk baru, ia mengklasifikasikan bentuk tersebut berdasarkan jumlah sisi, dan memprediksi output. Langkah-langkah dalam Supervised Learning: Jenis Algoritma Supervised Machine Learning: Supervised learning dapat dibagi lebih lanjut menjadi dua jenis masalah: Keuntungan Supervised Learning: Kerugian Supervised Learning: //TC ref : [1][2]