Section ini masuk ke kantornya model prediktif: dari regresi linear dan polinomial, klasifikasi dengan regresi logistik, decision tree, K-Nearest Neighbors, Support Vector Machine, hingga Naive Bayes, kemudian dua model ensemble yang menjadi andalan kompetisi — Random Forest dan Gradient Boosting. Setiap model diperkenalkan dengan intuisi cara kerjanya, lalu diterapkan pada dataset kecil yang sama agar mudah dibandingkan.

# Model Regresi Linear

Latih model regresi linear dengan scikit-learn dan baca koefisiennya.

Buka → # Regresi Polinomial

Tangkap hubungan melengkung dengan fitur polinomial dan jaga diri dari overfitting.

Buka → # Model Regresi Logistik

Klasifikasikan dua kelas dengan logistic regression dan probabilitas keluarannya.

Buka → # Decision Tree

Bangun model pohon keputusan dan pahami aturan pemisahannya.

Buka → # Random Forest

Gabungkan banyak pohon menjadi random forest yang lebih kokoh.

Buka → # Gradient Boosting

Pahami cara kerja boosting lalu terapkan GradientBoosting dan XGBoost.

Buka → # K-Nearest Neighbors

Klasifikasi dengan tetangga terdekat dan pilih k yang tepat.

Buka → # Support Vector Machine

Pahami hyperplane, margin, dan kernel pada SVM lalu gunakannya dengan penskalaan yang benar.

Buka → # Naive Bayes

Terapkan Naive Bayes pada data teks sederhana dan pahami asumsi kemerdekaannya.

Buka →