Python-Perceptron

Penulis telah membaca link berikut https://piptools.net/algoritma-adaboost-adaptive-boosting/ dengan menggunakan Adaboost yaitu dengan dasar menggunakan fitur-fitur lemah yang digabungkan menjadi fitur yang kuat untuk melakukan keputusan ditolak dan diterima pada database yang telah ada.





Diberikan kasus berikut

Bagaimana keputusan 2 pelanggan berikut?

Pada simpulan link diatas menghasilkan berikut


Sebenarnya kita juga menggunakan teknik lain yang lebih mudah yaitu percepton dengan dasar yaitu kombinasi linear antar parameter

y = x1*w1+x2*w2+b, if y>=0, then +1
else -1

Maka dari 3 parameter diatas yaitu umur; jenis kelamin, skor

y = umur*w1+jenis_kelamin*w2+skor*w3+b

dengan w adalah bobot untuk tiap parameter dan b adalah bias
Langkah yang ditempuh sama yaitu menormalkan dengan aturan berikut


Sehingga menjadi berikut

Kita menghitung menggunakan Percepton menghasilkan nilai berikut
http://www.softscients.web.id/2015/05/percepton-pada-kasus-linear-dan-non.html 

hasil=(umur*5)+(jenis kelamin*4)-(skor*13)+18.5

apakah persamaannya sudah betul?  Mari kita coba pada pelanggan F

hasil=(1*5)+(0*4)-(3*13)+18.5
hasil= -15.5  atau-1 karena nilainya dibawah 1
 
kita coba lagi untuk yang pelanggan H

hasil=(2*5)+(0*4)-(2*13)+18.5
hasil=2.5  atau+1 karena nilanya diatas 1

Bagaimana dengan pelanggan I dan J ???

Kita akan menggunakan persamaan diatas menjadi
pelanggan I=(1*5)+(0*4)-(3*13)+18.5
hasil= -15.5  atau-1 karena nilainya dibawah 1
selanjutnya
pelanggan J=(2*5)+(1*4)-(2*13)+18.5
hasil=6.5  atau+1 karena nilanya diatas 1

pelanggan I DITOLAK dan J DITERIMA
Bahwa Percepton juga bisa digunakan untuk klasifikasi sederhana ya dan tidak
menggunakan beberapa parameter dengan asumsi semua parameter merupakan kombinasi linear.

Referensi:
http://mccormickml.com/2013/12/13/adaboost-tutorial/
https://www.analyticsvidhya.com/blog/2015/11/quick-introduction-boosting-algorithms-machine-learning/
https://www.analyticsvidhya.com/blog/2015/05/boosting-algorithms-simplified/