Pengklasifikasi linear

Dalam pemelajaran mesin, pengklasifikasi linear adalah klasifikasi yang mengambil keputusan berdasarkan nilai kombinasi linear dari sifat-sifatnya. Sifat-sifat suatu objek disebut juga nilai fitur (ciri) dan biasa dinyatakan dalam vektor yang disebut vektor fitur. Pengklasifikasi ini bekerja dengan baik untuk permasalahan praktis seperti klasifikasi dokumen dan masalah-masalah yang memiliki banyak variabel (fitur) hingga mencapai tingkat akurasi yang sekelas dengan pengklasifikasi nonlinear dengan waktu pelatihan yang lebih sedikit.^[1]

Definisi

Pada kasus ini, bulatan isi dan bulatan kosong dapat diklasifikasikan dengan benar oleh banyak pengklasifikasi linear. H₁ (biru) mengklasifikasikan dengan benar. Begitu juga H₂ (merah). H₂ dapat dianggap "lebih baik" dalam artian bahwa garisnya berada paling jauh dari kedua kelompok. H₃ (hijau) gagal mengklasifikasikan bulatan-bulatan tersebut dengan benar.

Jika vektor fitur input pengklasifikasi adalah vektor riil ${\displaystyle {\vec {x}}}$, nilai keluarannya adalah

${\displaystyle y=f({\vec {w}}\cdot {\vec {x}})=f\left(\sum _{j}w_{j}x_{j}\right)}$

dengan ${\displaystyle {\vec {w}}}$ adalah vektor riil bobotnya dan ${\displaystyle f}$ adalah fungsi yang mengubah produk skalar dua vektor ke bentuk keluaran yang diinginkan. Vektor bobot ${\displaystyle {\vec {w}}}$ dipelajari dari himpunan sampel pelatihan yang telah dilabeli. Biasanya, fungsi ${\displaystyle f}$ adalah fungsi ambang batas yang memetakan semua nilai ${\displaystyle {\vec {w}}\cdot {\vec {x}}}$ yang di atas batas tertentu ke dalam kelas pertama dan nilai-nilai lainnya ke dalam kelas kedua, misalnya

${\displaystyle f(\mathbf {x} )={\begin{cases}1&{\text{jika }}\ \mathbf {w} \cdot \mathbf {x} >T\\0&{\text{lainnya}}\end{cases}}}$

Fungsi ${\displaystyle f}$ yang lebih kompleks mungkin dapat memberikan peluang suatu barang termasuk kelas tertentu.

Lihat pula

• Propagasi balik
• Regresi linear
• Perceptron
• Pengklasifikasi kuadratik
• Support-vector machine
• Winnow (algoritme)

Referensi

1. Guo-Xun Yuan; Chia-Hua Ho; Chih-Jen Lin (2012). "Recent Advances of Large-Scale Linear Classification" (PDF). Proc. IEEE. 100 (9). 

Bacaan lebih lanjut

1. Y. Yang; X. Liu (1999). "A re-examination of text categorization". Proc. ACM SIGIR Conference: 42–49. 
2. R. Herbrich (2001). Learning Kernel Classifiers: Theory and Algorithms. MIT Press. ISBN 0-262-08306-X.