Machine Learning dengan model klasifikasi Naive Bayes

Naïve Bayes

Naive Bayes atau yang dikenal juga sebagai Naive Bayes Classifier (NBC) merupakan salah satu metode machine learning  yang memanfaatkan perhitungan probabilitas dan statistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi probabilitas di masa depan berdasarkan pengalaman di masa sebelumnya.

Sebelumnya didalam Machine Learning terdapat beberapa model klasifikasi, diantaranya: 

1. Naïve Bayes (NB)
2. K Nears Neighbords  (KNN)
3. Decision Tree (DT)
4. Support Vector Machine (SVM)
5. Neural Network (NN)
6. Ensemble Learning (EL)

Naive Bayes (NB)

Secara garis besar, Naive Bayes membahas terkait dengan probabilitas atau kemungkinan-kemungkinan dan biasanya dinyatakan dalam bentuk persentase.

K Nears Neighbords  (KNN)

Secara garis besar, K Nears Neighbords melihat kedekatan dari data-data sekitar atau dengan kata lain melihat dari data-data tetangga.

Decision Tree (DT)

Secara garis besar, Decision Tree membuat klasifikasi berdasarkan pohon atau tree dan menentukan cabang terakhir pohon akan menuju kemana.

Support Vector Machine (SVM)

Secara garis besar, Support Vector Machine bekerja dengan cara membuat sebuah pemisah, bisa berupa garis (line), dan bisa berupa bidang. SVM mencari pemisah sejauh"nya dan sefleksibel mungkin titik-titik terdekat termasuk ke pembatas.

Neural Network (NN)

Secara garis besar, Neural Network bekerja dengan cara mengadopsi neuron-neuron ataupun saraf-saraf otak yang tak beraturan.

Ensemble Learning (EL)

Secara garis besar, Ensemble Learning bekerja dengan cara menggabungkan beberapa model, setelah itu biasanya dilakukan voting atau suara terbanyak. 

Pada pembahasan kali ini kita akan membahas mengenai Naive Bayes

Naive Bayes (NB)

Secara garis besar, Naive Bayes membahas terkait dengan probabilitas atau kemungkinan-kemungkinan dan biasanya dinyatakan dalam bentuk persentase.

Rumus Naive Bayes