Menyambung tulisan saya sebelumnya tentang voted perceptron, kali ini saya akan memberi contoh perhitungan manual algoritma voted perceptron. algoritma terdiri dari dua tahap yaitu tahap pelatihan atau training dan tahap klasifikasi.
Proses Training
Berikut ini adalah proses pelatihan untuk mencari nilai vektor perceptron v
dan bobot c yang akan digunakan dalam proses klasifikasi. Pada proses pelatihan
ini, parameter yang perlu di masukkan adalah vektor perceptron awal v_1 = {0, 0}
, Treshold T = 1,k =
1,dan bobot c = 0. Di bawah adalah data logika AND yang akan di gunakan untuk
data latih.
Data yang pertama x = {1, 1} target = 1
kemudian di hitung dot product dari vektor input x dan vektor perceptron v
y_in = (x_1 *v_1)+(x_2 * v_1)
= (1*0)+(1*0) = 0
dari y_in tersebut di masukkan ke dalam fungsi aktivasi
dengan treshold T = 1
y = sign(y_in) = sign(0) = -1
karena target berbeda dengan output,maka update vektor perceptron
v_2 = v_1 + (target * x)
= 0 +(1*1) = 1
= 0+(1*1) = 1
maka di dapat v_2 = {1, 1},update pula nilai c dan k
c_2 = 1
k = 2
sampai di sini kita mendapatkan nilai v = {(0, 0),(1, 1)} dan nilai c = {1,1} dan k - 2 dan kita lanjutkan dengan selanjutnya
Data yang kedua x = {1, -1} target = -1
menghitung output
y_in = (x_2 *v_2)+(x_2 * v_2)
= (1*1)+(-1*1) = 0
y = sign(0) = -1
karena output sama dengan target maka tidak dilakukan perhitungan vektor dan hanya menghitung nilai c
c_2 = c_2 +1
= 1+1 = 2
sampai di sini kita mendapatkan nilai v = {(0, 0),(1, 1)} dan nilai c = {1,2} dan k - 2 dan kita lanjutkan dengan selanjutnya
Data yang ketiga x = {-1, 1} target = -1
menghitung output
y_in = (x_2 *v_2)+(x_2 * v_2)
= (-1*1)+(1*1) = 0
y = sign(0) = -1
karena output sama dengan target maka tidak dilakukan perhitungan vektor dan hanya menghitung nilai c
c_2 = c_2 +1
= 2+1 =3
sampai di sini kita mendapatkan nilai v = {(0, 0),(1, 1)} dan nilai c = {1,3} dan k - 2 dan kita lanjutkan dengan selanjutnya
Data yang ke empat x = {-1, -1} target = -1
menghitung output
y_in = (x_2 *v_2)+(x_2 * v_2)
= (-1*1)+(-1*1) =-2
y = sign(-2) = -1
karena output sama dengan target maka tidak dilakukan perhitungan vektor dan hanya menghitung nilai c
c_2 = c_2 +1
= 3+1 =4
sampai di sini kita mendapatkan nilai v = {(0, 0),(1, 1)} dan nilai c = {1,4} dan k - 2 .
Apabila dalam satu iterasi masih ada data yang error,maka di lanjut ke iterasi berikutnya sampai di peroleh vektor yang selalu benar untuk semua data. Berikut adalah rangkuman dari perhitungan pelatihan voted perceptron.
dari pelatihan tersebut diperoleh nilai v = {(0, 0),(1, 1)},c = {1,8} dan k = 2 yang di gunakan dalam proses klasifikasi.
Proses Klasifikasi
Dari nilai v,c, dan k dari proses pelatihan maka kita lakukan klasifikasi. Data yang akan kita uji adalah x = {1, 1}
a = (1*sign((0*1)+(0*1)))+(8*sign((1*1)+(1*1)))
a = -1 +8
a = 7
output = sign(7) = 1
dan data dapat di klasifikasikan dengan tepat.
Sekian dulu tulisan ini. Bila masih ada waktu, lain kesempatan saya lanjutkan dengan contoh program sederhana dari algoritma voted perceptron. Sampai jumpa.
Apabila ada kesalahan dalam penulisan atau perhitungan monggo di ingatkan. Terima kasih.
Apabila ada kesalahan dalam penulisan atau perhitungan monggo di ingatkan. Terima kasih.
Komentar
Posting Komentar