Klasifikasi Pembelian Mobil dengan Naive Bayes

Naive Bayes adalah salah satu algoritma klasifikasi yang populer dalam machine learning dan digunakan untuk memprediksi probabilitas kelas yang berbeda dari suatu data. Dalam metode Naive Bayes, diaumsikan bahwa setiap fitur independen satu sama lain, meskipun sebenarnya tidak selalu terjadi dalam kehidupan nyata. Oleh karena itu, metode ini disebut sebagai “Naive” atau “Ingenu” karena kesederhanaanya

Pada dasarnya, algoritma Naive Bayes menghitunh probabilitas setiap kelas berdasarkan kemunculan setiap fitur pada data. Kemudian, dengan menggunakan aturan Bayes, probabilitas kondisional setiap kelas diberikan data yang diberikan dapat dihitung, dan kelas dengan probabilitas tertinggi dianggap sebagai prediksi kelas yang benar.

Mengklasifikasikan data pembelian mobil menggunaka Naive Bayes

• Langkah pertama yaitu melakukan import library terlebih dahulu, untuk memperluas kemampuan bahasa pemrograman dalam melakukan analisis data dan klasifikasi data. Beberapa library yang sering digunakan yaitu numpy, pandas, dan scikit-learn

• Lalu yang kedua melakukan import data, mempersiap data untuk di proses. Data yang dipakai adalah data pembelian mobil yang sudah di install melalui kaggle.com 

• Ketiga, biasanya untuk melakukan independen fitur kita namakan sebagai variabel X, untuk memisahkannya kita menggunakan fungsi ‘iloc’ yaitu indeks location. Kemudia kita tentukan dari User ID sampai dengan AnnualSalary, kemudian untuk variabel y nya itu sama. Setelah itu untuk mengcek kita gunakan “print x” dan “print y”

• Setelah itu kita menggunakan scikit-learn, digunakan untuk membuat model klasifikasi dan regresi pada kolom pertama.

• Keempat, kita melakukan split data, yaitu kita membagi dengan membagi x menjadi x test dan x train dan y menjadi y test dan y train 

• kelima, kita menggunakan feature scaling supaya memperbaiki kinerja algoritma klasifikasi dan memastikan bahwa semua fitur memiliki pengaruh yang sama terhadap klasifikasi data

• Proses selanjutnya kita training menggunakan algoritma naive bayes. Untuk konsep supaya naive bayes berjalan, disini kita masih tetap menggunakan library dan kita menggunakan “Gaussian” lalu kita membuat objek klasifikasi datanya 

• Keenam, kita menggunakan predict result yaitu untuk menghasilkan output klasifikasi yang akurat berdasarkan data yang telah dimasukkan kedalam model. 

• Terakhir kita bisa melakukan evaluasi terhadap model data kita, untuk melakukan evaluasi kita tetap menggunakan scikit-learn dan akurasi score lalu kita masukan objeknya

sehingga kita disini mengetahui performa akurasi model yang kita kerjakan.