KLASIFIKASI NON LINIER - Teknik Elektro UGM

umum dapat digunakan. Namun demikian, untuk sejumlah pelatihan yang besar (
ukuran beberapa ribu ), diperlukan suatu perlakuan khusus. Pelatihan SVM biasanya
dilakukan dalam mode batch. Untuk masalah besar ini menyebabkan permintaan
yang tinggi atas kebutuhan memori komputer. Untuk menyerang proabilitas sejumlah
prosedur telah dibuat. Filosofinya bergantung pada dekomposisi, pada satu cara atau
cara lainnya, dari optimasi masalah ke suatu rangkaian yang lebih kecil, misalnya,
[Bose 92, Osun 97, Chan 00]. Baru-baru ini, sebuah algoritma telah diajukan untuk
menyelesaikan masalah secara iteratif, dengan asumsi bahwa pada setiap langkah
iterasi hanya dua dari pengali Langrange yang tidak diketahui dan sisanya diketahui
(dimulai dengan asumsi awal). Prosedur mengambil keuntungan dari fakta bahwa
suatu solusi analisis untuk kedua masalah adalah mungkin untuk kasus dua pengali
Langrange [Matt 99, Plat 99]. Algoritma sekuensial yang lain telah diusulkan dalam
[Navi 01], di mana sebuah prosedur iteratif kuadrat terkecil terbobot-ulang
dipergunakan dan alternatif optimasi berat dengan kendala memaksa. Sebuah
keuntungan dari teknik yang terakhir ini bahwa hal ini secara alami mengarah ke
implementasi online dan adaptif.
Untuk masalah besar, tahap uji coba juga bisa sangat menuntut, jika jumlah
vektor dukungan terlalu tinggi. Metode yang mempercepat perhitungan juga telah
diusulkan, misalnya [Burg 97].
- Keterbatasan utama lainnya dari mesin vektor dukungan adalah bahwa, sampai
sekarang. tidak ada metode praktis untuk pilihan terbaik dari fungsi kernel. Hal ini
masih merupakan suatu masalah penelitian namun menantang, masalah dalam
penelitian. Mesin vector dukungan telah diterapkan ke sejumlah aplikasi beragam,
mulai dari pengenalan tulisan tangan ([Cort 95]), untuk pengenalan objek ([Blan 96]),
identifikasi orang ([Ben 99]), kategorisasi spam ([Druc 99]), dan pemerataan kanal
([Seba 001]). Hasil dari aplikasi ini menunjukkan bahwa pemilah SVM menunjukkan
peningkatan kinerja generalisasi, yang tampaknya menjadi kekuatan mesin vektor
dukungan.
- Selain mesin vektor dukungan setiap pemilah linier lain yang menggunakan inner
product dapat secara implisit dilaksanakan dalam ruang-ruang berdimensi yang lebih
tinggi dengan menggunakan kernel. Dengan cara yang satu ini dapat secara elegan
membangun versi nonlinier dari suatu algoritma linier. Untuk meninjau mengenai isu
ini lihat, misalnya. [Mull 01].
4.18 POHON KEPUTUSAN ( DECISION TREE)
Pada bagian ini kita meninjau secara singkat kelas besar dari pemilah nonlinier yang dikenal
sebagai pohon keputusan. Pohon keputusan merupakan sistem keputusan multi-langkah, di
mana kelas-kelas secara berurutan ditolak sampai kita mencapai kelas yang akhirnya
diterima. Untuk tujuan ini, ruang fitur dibagi menjadi daerah yang unik, sesuai dengan kelas,
secara berurutan.
Setelah kedatangan suatu vektor fitur, dengan mencari daerah dimana vektor fitur akan
ditugaskan dapat dicapai melalui urutan keputusan sepanjang jalur simpul dari pohon yang
secara tepat dibangun. Skema tersebut menawarkan berbagai keuntungan ketika sejumlah
besar kelas dilibatkan. Yang paling populer di antara pohon-pohon keputusan adalah mereka
yang membagi ruang menjadi hyperrectangles dengan sisi sejajar dengan sumbu. Urutan
keputusan diterapkan pada fitur individu, dan pertanyaan-pertanyaan yang harus dijawab dari
“ apakah fitur x i ≤ α? "dimana α adalah nilai ambang. Pohon tersebut dikenal sebagai
Ordinary Binary Classification Trees (OBCTs). Jenis pohon lainnya juga mungkin,