Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

BAYESIAN CLASSIFICATION. Overview Bayesian classification adalah pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan.

Presentasi serupa


Presentasi berjudul: "BAYESIAN CLASSIFICATION. Overview Bayesian classification adalah pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan."— Transcript presentasi:

1 BAYESIAN CLASSIFICATION

2 Overview Bayesian classification adalah pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class. BC didasarkan pada teorema Bayes yg memiliki kemampuan klasifikasi serupa dengan decision tree dan neural network Memiliki akurasi dan kecepatan yg tinggi saat diaplikasikan ke dalam database yg besar

3 Bentuk umum teorema Bayes P(H I X) = P(X I H) P(H) P(X) Keterangan : X:data dgn class yg belum diketahui H:hipotesis data X P(H I X) :probabilitas hipotesis H berdasar kondisi X (posteriori probability) P(H):probabilitas hipotesis H (prior porbability) P(X I H) :probabilitas X berdasar kondisi pada hipotesis H P(X):probabilitas dari X

4 Contoh IdAgeIncomeStudentCredit_ratingClass: Buys_computer 1<=30HighNoFairNo 2<=30HighNoExcellentNo HighNoFairYes 4>40MediumNoFairYes 5>40LowYesFairYes 6>40LowYesExcellentNo LowYesExcellentYes 8<=30MediumNoFairNo 9<=30LowYesFairYes 10>40MediumYesFairYes 11<=30MediumYesExcellentYes MediumNoExcellentYes HighYesFairYes 14>40MediumNoExcellentNo

5 Contoh Dari tabel diatas, terdpt 2 class dari klasifikasi yg dibentuk, yaitu: – C1 = buys_computer = yes – C2 = buys_cumputer = no Misalnya, terdapat data X yg belum diketahui class-nya dgn data sbb: – X=(age=“<=30”, income=“medium”, student=“yes”, credit_rating=“fair”) – Buys_computer ?

6 Penyelesaian Dibutuhkan utk memaksimalkan: P(X I Ci) P(Ci) utk i=1,2 P(Ci) merupakan prior probability utk setiap class berdasarkan data, contoh: – P(buys_computer=“yes”)= 9/14 = 0,643 – P(buys_computer=“no”)= 5/14 = 0,357

7 Hitung P(X I Ci) utk i=1,2 P(age=“<30” I buys_computer=“yes”)=2/9=0,222 P(age=“<30” I buys_computer=“no”)=3/5=0,6 P(income=“medium” I buys_computer=“yes”)=4/9=0,444 P(income=“medium” I buys_computer=“no”)=2/5=0,4

8 Hitung P(X I Ci) utk i=1,2 P(student=“yes” I buys_computer=“yes”)=6/9=0,667 P(student=“yes” I buys_computer=“no”)=1/5=0,2 P(credit-rating=“fair” I buys_computer=“yes”)=6/9=0,667 P(credit-rating=“fair” I buys_computer=“no”)=2/5=0,4

9 Hitung P(X I Ci) utk i=1,2 P(X I buys_computer=“yes”) = 0,222 x 0,444 x 0,677 x 0,677 = 0,044 P(X I buys_computer=“no”) = 0,600 x 0,400 x 0,200 x 0,400 = 0,019 P(X I buys_computer=“yes”) P(buys_computer=“yes”) = 0,044 x 0,643 = 0,028 P(X I buys_computer=“no”) P(buys_computer=“no”) = 0,019 x 0,357 = 0,007

10 Hasil Berdasarkan perhitungan, P(XICi) P(Ci) utk i=1,2 Maka : P(X I buys_computer=“yes”) P(buys_computer=“yes”) = 0,044 x 0,643 = 0,028 P(X I buys_computer=“no”) P(buys_computer=“no”) = 0,019 x 0,357 = 0,007 Nilai yg tertinggi adalah 0,028  Untuk kasus: X=(age = “<=30”, income = “medium”, student = “yes”, credit_rating = “fair”) Maka  buys_computer  “Yes”

11 Selesai


Download ppt "BAYESIAN CLASSIFICATION. Overview Bayesian classification adalah pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan."

Presentasi serupa


Iklan oleh Google