Model Klasifikasi Menggunakan Jaringan Syaraf Tiruan (JST)

Dalam terminologi pembelajaran mesin, Klasifikasi mengacu pada masalah pemodelan prediktif di mana data input diklasifikasikan sebagai salah satu kelas berlabel yang telah ditentukan sebelumnya. Misalnya, memprediksi Ya atau Tidak, Benar atau Salah termasuk dalam kategori Klasifikasi Biner karena jumlah keluaran dibatasi pada dua label.

Demikian pula, keluaran yang memiliki banyak kelas seperti mengklasifikasikan kelompok usia yang berbeda disebut masalah klasifikasi multikelas. Masalah klasifikasi adalah salah satu jenis masalah ML yang paling umum digunakan atau didefinisikan yang dapat digunakan dalam berbagai kasus penggunaan. Ada berbagai model Machine Learning yang dapat digunakan untuk masalah klasifikasi.

Mulai dari teknik Bagging hingga Boosting meskipun ML lebih dari mampu menangani kasus penggunaan klasifikasi, Neural Network muncul ketika kita memiliki jumlah kelas output yang tinggi dan jumlah data yang tinggi untuk mendukung kinerja model. Ke depan, kita akan melihat bagaimana kita dapat mengimplementasikan Model Klasifikasi menggunakan Neural Networks di Keras (Python).

Pelajari Kursus Kecerdasan Buatan dari Universitas top Dunia. Dapatkan Master, PGP Eksekutif, atau Program Sertifikat Tingkat Lanjut untuk mempercepat karier Anda.

Jaringan Saraf

Jaringan saraf secara longgar mewakili pembelajaran otak manusia. Jaringan Syaraf Tiruan terdiri dari Neuron yang pada gilirannya bertanggung jawab untuk membuat lapisan. Neuron ini juga dikenal sebagai parameter yang disetel.

Output dari setiap lapisan diteruskan ke lapisan berikutnya. Ada fungsi aktivasi nonlinier yang berbeda untuk setiap lapisan, yang membantu dalam proses pembelajaran dan output dari setiap lapisan. Lapisan keluaran juga dikenal sebagai neuron terminal.

Sumber: Wikipedia

Bobot yang terkait dengan neuron dan yang bertanggung jawab atas prediksi keseluruhan diperbarui pada setiap zaman. Tingkat pembelajaran dioptimalkan menggunakan berbagai pengoptimal. Setiap Neural Network dilengkapi dengan fungsi biaya yang diminimalkan saat pembelajaran berlanjut. Bobot terbaik kemudian digunakan di mana fungsi biaya memberikan hasil terbaik.

Baca: Tutorial Deteksi Objek TensorFlow Untuk Pemula

Masalah Klasifikasi

Untuk artikel ini, kita akan menggunakan Keras untuk membangun Neural Network. Keras dapat langsung diimpor dengan python menggunakan perintah berikut.

impor tensorflow sebagai tf

dari tensorflow import keras

dari keras.models import Sequential

dari keras.layers impor Padat

Dataset dan variabel Target

Kami akan menggunakan dataset Diabetes yang akan memiliki fitur berikut:

Variabel Masukan (X):

• Kehamilan: Berapa kali hamil
• Glukosa: Konsentrasi glukosa plasma 2 jam dalam tes toleransi glukosa oral
• Tekanan Darah: Tekanan darah diastolik (mm Hg)
• SkinThickness: Ketebalan lipatan kulit trisep (mm)
• Insulin: insulin serum 2 Jam (mu U/ml)
• BMI: Indeks massa tubuh (berat dalam kg/(tinggi dalam m)^2)
• Diabetes SilsilahFungsi: Fungsi silsilah diabetes
• Usia: Usia (tahun)

Variabel Keluaran (y):

Hasil: Variabel kelas (0 atau 1) [Pasien menderita Diabetes atau tidak]

# memuat kumpulan data

df= loadtxt('pima-indians-diabetes.csv', pembatas=',')

# Pisahkan data menjadi X (masukan) dan Y (keluaran)

X = kumpulan data[:,0:8]

y = kumpulan data[:,8]

Tentukan Model Keras

Kita dapat mulai membangun jaringan saraf menggunakan model sekuensial. Pendekatan top-down ini membantu membangun arsitektur Neural net dan bermain dengan bentuk dan lapisan. Lapisan pertama akan memiliki sejumlah fitur yang dapat diperbaiki menggunakan input_dim. Kami akan mengaturnya ke 8 dalam kondisi ini.

Membuat Neural Networks bukanlah proses yang sangat mudah. Ada banyak percobaan dan kesalahan yang terjadi sebelum model yang baik dibangun. Kami akan membangun struktur jaringan yang Terhubung Sepenuhnya menggunakan kelas Padat dengan keras. Neuron dianggap sebagai argumen pertama yang diberikan ke lapisan padat.

Fungsi aktivasi dapat diatur menggunakan argumen aktivasi. Kami akan menggunakan Rectified Linear Unit sebagai fungsi aktivasi dalam kasus ini. Ada opsi lain seperti Sigmoid atau TanH, tetapi RELU adalah opsi yang sangat umum dan lebih baik.

# tentukan model kerasnya

model = Berurutan()

model.add(Dense(12, input_dim=8, activation='relu'))

model.add(Padat(8, aktivasi='relu'))

model.add(Padat(1, aktivasi='sigmoid'))

Kompilasi Model Keras

Menyusun model adalah langkah berikutnya setelah definisi model. Tensorflow digunakan untuk kompilasi model. Kompilasi adalah proses di mana parameter ditetapkan untuk pelatihan model dan prediksi. CPU/GPU atau memori terdistribusi dapat digunakan di latar belakang.

Kita harus menentukan fungsi kerugian yang digunakan untuk mengevaluasi bobot untuk lapisan yang berbeda. Pengoptimal menyesuaikan kecepatan pembelajaran dan melewati berbagai rangkaian bobot. Dalam hal ini kita akan menggunakan Binary Cross Entropy sebagai fungsi kerugian. Dalam hal pengoptimal, kami akan menggunakan ADAM yang merupakan algoritma penurunan gradien stokastik yang efisien.

Ini sangat populer digunakan untuk penyetelan. Terakhir, karena ini adalah masalah klasifikasi, kami akan mengumpulkan dan melaporkan akurasi klasifikasi, yang ditentukan melalui argumen metrik. Kami akan menggunakan akurasi dalam hal ini.

# kompilasi model keras

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

Model fit dan Evaluasi

Pemasangan model pada dasarnya dikenal sebagai model pelatihan. Setelah Mengkompilasi model, model siap untuk secara efisien memeriksa data dan melatih dirinya sendiri. Fungsi fit() dari Keras dapat digunakan untuk proses pelatihan model. Dua parameter utama yang digunakan sebelum pelatihan model adalah:

1. Epochs: Satu melewati seluruh dataset.
2. Ukuran Batch: Bobot diperbarui pada setiap ukuran batch. Epoch terdiri dari kumpulan data yang terdistribusi secara merata.

# sesuaikan model keras pada dataset

model.fit(X, y, epochs=150, batch_size=10)

GPU atau CPU digunakan dalam proses ini. Pelatihan bisa menjadi proses yang sangat panjang tergantung pada zaman, ukuran batch dan yang paling penting ukuran Data.

Kita juga dapat mengevaluasi model pada dataset pelatihan menggunakan fungsi evaluasi(). Data dapat dibagi menjadi set pelatihan dan pengujian dan pengujian X dan Y dapat digunakan untuk evaluasi model.

Untuk setiap pasangan input dan output, ini akan menghasilkan perkiraan dan mengumpulkan skor, termasuk kerugian rata-rata dan pengukuran apa pun yang telah kami pasang, seperti presisi.

Daftar dua nilai akan dikembalikan oleh fungsi evaluasi(). Yang pertama adalah model loss pada dataset dan yang kedua adalah akurasi model pada dataset. Kami hanya tertarik pada keakuratan laporan, jadi kami akan mengabaikan pentingnya kerugian.

# evaluasi model keras

_, akurasi = model.evaluate(Xtest, ytest)

print('Akurasi: %.2f' % (akurasi*100))

Baca Juga: Pengenalan Model Neural Network

Kesimpulan

Kami membuat dan mengevaluasi Neural Network berdasarkan klasifikasi. Meskipun data yang digunakan kecil dalam kasus ini, jaringan saraf tiruan sebagian besar cocok untuk kumpulan data numerik besar.

Lihat Program Sertifikat Tingkat Lanjut Grad dalam Pembelajaran Mesin & NLP. Kursus ini telah dibuat dengan mengingat berbagai jenis siswa yang tertarik dengan Pembelajaran Mesin, menawarkan bimbingan 1-1 dan banyak lagi.