Contoh Perhitungan Algoritma Learning Vector Quantization - Hallo sahabat Dev-Create, Pada Artikel yang anda baca kali ini dengan judul Contoh Perhitungan Algoritma Learning Vector Quantization, kami telah mempersiapkan artikel ini dengan baik untuk anda baca dan ambil informasi didalamnya. mudah-mudahan isi postingan
Artikel Jaringan Syaraf Tiruan,
Artikel Learning Vector Quantization,
Artikel LVQ,
Artikel Neural Network, yang kami tulis ini dapat anda pahami. baiklah, selamat membaca.
Judul : Contoh Perhitungan Algoritma Learning Vector Quantization
link : Contoh Perhitungan Algoritma Learning Vector Quantization
maka diperoleh bobot baru = {{ 0.95, 1, 1, 0},{ 1, 0, 1, 1}} untuk digunakan pada perhitungan data selanjutnya
2. Data ke 2 { 0, 0, 1, 1} dengan target 1, bobot = {{ 0.95, 1, 1, 0},{ 1, 0, 1, 1}}
maka diperoleh bobot baru = {{ 0.9525, 1, 1, 0.05},{ 0.95, 0, 1, 1}} untuk digunakan pada perhitungan data selanjutnya
4. Data ke 4 { 1, 0, 0, 1} dengan target 1, bobot = {{ 0.9525, 1, 1, 0.05},{ 0.95, 0, 1, 1}}
- setelah semua data selesai dihitung, update learning rate :
kelas 1 = sqrt(((1-0.9525)^2)+((1-0)^2)+((1-0.95)^2)+((0-1)^2)) = 1.4158941521173
output = kelas 0
kelas 1 = sqrt(((1-0.9525)^2)+((0-0)^2)+((1-0.95)^2)+((1-1)^2)) = 0.068965571120669
output = kelas 1
Sekian tulisan saya kali ini, semoga bermanfaat.
Anda sekarang membaca artikel Contoh Perhitungan Algoritma Learning Vector Quantization dengan alamat link https://dev-create.blogspot.com/2017/05/contoh-perhitungan-algoritma-learning.html
Judul : Contoh Perhitungan Algoritma Learning Vector Quantization
link : Contoh Perhitungan Algoritma Learning Vector Quantization
Contoh Perhitungan Algoritma Learning Vector Quantization
Melanjutkan tulisan saya tentang algoritma Learning Vector Quantization yang lalu, kali ini saya akan melanjutkan dengan contoh perhitungan manual. Berikut ini contoh data yang akan kita hitung.
No | X1 | X2 | X3 | X4 | target |
1 | 0 | 1 | 1 | 0 | 0 |
2 | 0 | 0 | 1 | 1 | 1 |
3 | 1 | 1 | 1 | 1 | 0 |
4 | 1 | 0 | 0 | 1 | 1 |
pada contoh di atas, saya menggunakan 4 data sebagai data training beserta target yang bertujuan untuk mendapatkan bobot yang akan digunakan pada proses klasifikasi. Bobot awal adalah { 1, 1, 1, 0} dan { 1, 0, 1, 1} dengan learning rate 0,05 dengan fungsi pembelajaran = 0,1.
Pelatihan
Iterasi ke 1
1. Data ke 1 { 0, 1, 1, 0} dengan target 0, bobot = {{ 1, 1, 1, 0},{ 1, 0, 1, 1}} - menghitung bobot untuk masing masing output :
kelas 0 = sqrt(((0-1)^2)+((1-1)^2)+((1-1)^2)+((0-0)^2)) = 1
kelas 1 = sqrt(((0-1)^2)+((1-0)^2)+((1-1)^2)+((0-1)^2)) = 1.7320508075689
kelas 1 = sqrt(((0-1)^2)+((1-0)^2)+((1-1)^2)+((0-1)^2)) = 1.7320508075689
- menentukan kelas pemenang :
output = min(kelas 0, kelas 1) = kelas 0
- update bobot :
karena target 0 sama dengan output 0, maka update bobot :
W11 = 1 + (0.05*(0 - 1)) = 0.95
W12 = 1 + (0.05*(1 - 1)) = 1
W13 = 1 + (0.05*(1 - 1)) = 1
W14 = 0 + (0.05*(0 - 0)) = 0
W12 = 1 + (0.05*(1 - 1)) = 1
W13 = 1 + (0.05*(1 - 1)) = 1
W14 = 0 + (0.05*(0 - 0)) = 0
maka diperoleh bobot baru = {{ 0.95, 1, 1, 0},{ 1, 0, 1, 1}} untuk digunakan pada perhitungan data selanjutnya
2. Data ke 2 { 0, 0, 1, 1} dengan target 1, bobot = {{ 0.95, 1, 1, 0},{ 1, 0, 1, 1}}
- menghitung bobot untuk masing masing output :
maka diperoleh bobot baru = {{ 0.95, 1, 1, 0},{ 0.95, 0, 1, 1}} untuk digunakan pada perhitungan data selanjutnya
3. Data ke 3 { 1, 1, 1, 1} dengan target 0, bobot = {{ 0.95, 1, 1, 0},{ 0.95, 0, 1, 1}}
kelas 0 = sqrt(((0-0.95)^2)+((0-1)^2)+((1-1)^2)+((1-0)^2)) = 1.7036725037401
kelas 1 = sqrt(((0-1)^2)+((0-0)^2)+((1-1)^2)+((1-1)^2)) = 1
kelas 1 = sqrt(((0-1)^2)+((0-0)^2)+((1-1)^2)+((1-1)^2)) = 1
output = min(kelas 0, kelas 1) = kelas 1
- update bobot :
karena target 1 sama dengan output 1, maka update bobot :
W21 = 1 + (0.05*(0 - 1)) = 0.95
W22 = 0 + (0.05*(0 - 0)) = 0
W22 = 0 + (0.05*(0 - 0)) = 0
W23 = 1 + (0.05*(1 - 1)) = 1
W24 = 1 + (0.05*(1 - 1)) = 1
W24 = 1 + (0.05*(1 - 1)) = 1
maka diperoleh bobot baru = {{ 0.95, 1, 1, 0},{ 0.95, 0, 1, 1}} untuk digunakan pada perhitungan data selanjutnya
3. Data ke 3 { 1, 1, 1, 1} dengan target 0, bobot = {{ 0.95, 1, 1, 0},{ 0.95, 0, 1, 1}}
- menghitung bobot untuk masing masing output :
kelas 0 = sqrt(((1-0.95)^2)+((1-1)^2)+((1-1)^2)+((1-0)^2)) = 1.001249219725
kelas 1 = sqrt(((1-0.95)^2)+((1-0)^2)+((1-1)^2)+((1-1)^2)) = 1.001249219725
kelas 1 = sqrt(((1-0.95)^2)+((1-0)^2)+((1-1)^2)+((1-1)^2)) = 1.001249219725
- menentukan kelas pemenang :
output = min(kelas 0, kelas 1) = kelas 0,
- karena output antara kedua kelas sama besar, bisa dipilih salah satu sebagai output
- update bobot :
karena target 0 sama dengan output 0, maka update bobot :
W11 = 0.95 + (0.05*(1 - 0.95)) = 0.9525
W12 = 1 + (0.05*(1 - 1)) = 1
W13 = 1 + (0.05*(1 - 1)) = 1
W14 = 0 + (0.05*(1 - 0)) = 0.05
W14 = 0 + (0.05*(1 - 0)) = 0.05
maka diperoleh bobot baru = {{ 0.9525, 1, 1, 0.05},{ 0.95, 0, 1, 1}} untuk digunakan pada perhitungan data selanjutnya
4. Data ke 4 { 1, 0, 0, 1} dengan target 1, bobot = {{ 0.9525, 1, 1, 0.05},{ 0.95, 0, 1, 1}}
- menghitung bobot untuk masing masing output :
kelas 0 = sqrt(((1-0.9525)^2)+((0-1)^2)+((0-1)^2)+((1-0.05)^2)) = 1.7043345475581
kelas 1 = sqrt(((1-0.95)^2)+((0-0)^2)+((0-1)^2)+((1-1)^2)) = 1.001249219725
kelas 1 = sqrt(((1-0.95)^2)+((0-0)^2)+((0-1)^2)+((1-1)^2)) = 1.001249219725
- menentukan kelas pemenang :
output = min(kelas 0, kelas 1) = kelas 1
- update bobot :
karena target 1 sama dengan output 1, maka update bobot :
W21 = 0.95 + (0.05*(1 - 0.95)) = 0.9525
W22 = 0 + (0.05*(0 - 0)) = 0
W22 = 0 + (0.05*(0 - 0)) = 0
W23 = 1 + (0.05*(0 - 1)) = 0.95
W24 = 1 + (0.05*(1 - 1)) = 1
maka diperoleh bobot baru = {{ 0.9525, 1, 1, 0.05},{ 0.9525, 0, 0.95, 1}} untuk digunakan pada perhitungan data selanjutnyaW24 = 1 + (0.05*(1 - 1)) = 1
- setelah semua data selesai dihitung, update learning rate :
learning rate baru = fungsi pembelajaran * learning rate;
= 0.1 * 0.05 = 0.005
karena dalam satu iterasi semua data sudah diklasifikasikan dengan benar, maka iterasi pelatihan bisa dihentikan dan memakai bobot terakhir untuk digunakan dalam proses klasifikasi / prediksi. Jika dalam satu iterasi ada yang outputnya belum tepat, maka dilanjutkan ke iterasi berikutnya sampai dengan data diklasifikasikan dengan benar atau telah mencapai maksimal iterasi yang telah ditentukan.
Klasifikasi / Prediksi
Setelah didapat bobot hasil pelatihan yaitu {{ 0.9525, 1, 1, 0.05},{ 0.9525, 0, 0.95, 1}}, maka kita coba melakukan uji coba klasifikasi terhadap dua data yaitu { 1, 1, 1, 0} dan { 1, 0, 1, 1}.1. Data ke 1 { 1, 1, 1, 0}
kelas 0 = sqrt(((1-0.9525)^2)+((1-1)^2)+((1-1)^2)+((0-0.05)^2)) = 0.068965571120669kelas 1 = sqrt(((1-0.9525)^2)+((1-0)^2)+((1-0.95)^2)+((0-1)^2)) = 1.4158941521173
output = kelas 0
2. Data ke 2 { 1, 0, 1, 1}
kelas 0 = sqrt(((1-0.9525)^2)+((0-1)^2)+((1-1)^2)+((1-0.05)^2)) = 1.3801290700511kelas 1 = sqrt(((1-0.9525)^2)+((0-0)^2)+((1-0.95)^2)+((1-1)^2)) = 0.068965571120669
output = kelas 1
Sekian tulisan saya kali ini, semoga bermanfaat.
Demikianlah Artikel Contoh Perhitungan Algoritma Learning Vector Quantization
Sekianlah artikel Contoh Perhitungan Algoritma Learning Vector Quantization kali ini, mudah-mudahan bisa memberi manfaat untuk anda semua. baiklah, sampai jumpa di postingan artikel lainnya.
Anda sekarang membaca artikel Contoh Perhitungan Algoritma Learning Vector Quantization dengan alamat link https://dev-create.blogspot.com/2017/05/contoh-perhitungan-algoritma-learning.html