3.3.6. Supervised Learning - Random Forest скачать в хорошем качестве

3.3.6. Supervised Learning - Random Forest

Video ini menjelaskan mengenai Random Forest yang merupakan metode ensemble learning berbasis banyak decision tree. Alih-alih hanya menggunakan satu pohon keputusan, metode ini membangun banyak pohon yang berbeda melalui Bagging (Bootstrap Aggregating): mengambil subset data secara acak dan Random Subspace (Feature Bagging): mengambil subset fitur secara acak. Dua prinsip utama Random Forest adalah Voting mayoritas untuk klasifikasi dan Diversifikasi antar pohon untuk meningkatkan generalisasi dan akurasi. Metode ini cocok untuk klasifikasi dan regresi, dan pertama kali diperkenalkan oleh Tin Kam Ho (1995), kemudian dikembangkan lebih lanjut oleh Leo Breiman & Adele Cutler (2001). Adapun rincian penjelasannya adalah sebagai berikut: 0:01 – 2:00: dijelaskan bahwa Random Forest merupakan metode ensemble learning yang terdiri dari banyak pohon keputusan. Setiap pohon memberikan prediksi, dan hasil akhir diambil berdasarkan suara terbanyak (majority voting), sehingga meningkatkan akurasi dan stabilitas prediksi. 2:00 – 3:03: video menjelaskan dua prinsip utama Random Forest: semakin banyak pohon, semakin baik prediksi secara kolektif, dan pentingnya keberagaman antar pohon untuk menghindari bias berlebih. Random Forest dapat digunakan untuk klasifikasi maupun regresi, dan termasuk dalam jenis supervised learning. 3:03 – 4:53: dipaparkan sejarah awal Random Forest yang dikenalkan oleh Ho pada tahun 1995, serta pengembangannya lebih lanjut pada 1998. Motivasi utama pengembangannya adalah untuk mengatasi kelemahan decision tree tunggal dalam menghadapi data kompleks dan beragam. 4:53 – 6:04: dijelaskan bahwa Random Forest merupakan gabungan dari metode random subspace dan bagging. Istilah “Random Forest” sendiri dipopulerkan oleh Leo Breiman dan Adele Cutler pada tahun 2001 untuk menekankan kombinasi kedua pendekatan tersebut. 6:04 – 8:18: dijelaskan secara rinci dua teknik utama pembentuk Random Forest. Teknik pertama adalah bagging, yaitu pelatihan menggunakan subset acak dari data. Teknik kedua adalah random subspace, yakni pelatihan berdasarkan subset acak dari fitur. Gabungan dua teknik ini menghasilkan variasi yang tinggi di antara pohon-pohon. 8:18 – 10:08: ditunjukkan contoh implementasi Random Forest untuk mengklasifikasikan jenis buah. Data pelatihan dibagi menjadi beberapa subset, dan masing-masing subset digunakan untuk melatih pohon yang berbeda. Semua pohon digabung untuk memberikan prediksi akhir yang lebih andal.