30 algoritma untuk prediksi

 Berikut adalah daftar 30 algoritma prediksi yang umum digunakan dalam machine learning beserta penjelasan singkat masing-masing:

Regresi

1. Linear Regression

   • Mencari hubungan linear antara variabel independen dan dependen.

2. Ridge Regression

   • Linear regression dengan regularisasi L2 untuk mengurangi overfitting.

3. Lasso Regression

   • Linear regression dengan regularisasi L1 yang menghasilkan model sparsity.

4. Elastic Net

   • Kombinasi dari Lasso dan Ridge regression untuk mengatasi kelemahan masing-masing.

5. Support Vector Regression (SVR)

   • Ekstensi SVM untuk masalah regresi dengan margin error yang diizinkan.

6. Decision Tree Regression

   • Membuat model regresi dengan pohon keputusan yang membagi dataset menjadi subset.

7. Random Forest Regression

   • Menggabungkan beberapa pohon keputusan untuk meningkatkan akurasi dan mengurangi overfitting.

8. AdaBoost Regression

   • Meningkatkan performa model sederhana dengan menggabungkan beberapa model untuk mengurangi error.

9. Gradient Boosting Regression

   • Membangun model secara bertahap, mengoptimalkan fungsi loss pada setiap iterasi.

10. K-Nearest Neighbors Regression (KNN)

    • Menggunakan k tetangga terdekat untuk memprediksi nilai output.

Klasifikasi

11. Logistic Regression

    • Model linier untuk klasifikasi biner.

12. Support Vector Machine (SVM)

    • Mencari hyperplane yang memisahkan kelas dengan margin terbesar.

13. Decision Tree Classifier

    • Membuat model klasifikasi berbasis pohon keputusan.

14. Random Forest Classifier

    • Menggabungkan beberapa pohon keputusan untuk meningkatkan akurasi dan stabilitas.

15. AdaBoost Classifier

    • Menggabungkan model sederhana dengan bobot yang berbeda untuk meningkatkan performa.

16. Gradient Boosting Classifier

    • Membuat model secara bertahap dengan mengoptimalkan fungsi loss pada setiap iterasi.

17. K-Nearest Neighbors Classifier (KNN)

    • Menggunakan k tetangga terdekat untuk menentukan kelas dari sample.

18. Naive Bayes

    • Menggunakan teorema Bayes dengan asumsi independensi antar fitur.

19. Linear Discriminant Analysis (LDA)

    • Mencari kombinasi linear dari fitur yang paling memisahkan kelas.

20. Quadratic Discriminant Analysis (QDA)

    • Mirip dengan LDA, tetapi menggunakan permukaan kuadratik untuk pemisahan.

Clustering

21. K-Means Clustering

    • Mengelompokkan data ke dalam k cluster berdasarkan centroid.

22. Hierarchical Clustering

    • Mengelompokkan data dengan pendekatan hierarki (agglomerative atau divisive).

23. DBSCAN (Density-Based Spatial Clustering of Applications with Noise)

    • Mengelompokkan data berdasarkan kepadatan titik.

24. Mean Shift Clustering

    • Mengelompokkan data dengan memindahkan centroid menuju kepadatan yang lebih tinggi.

25. Gaussian Mixture Model (GMM)

    • Mengelompokkan data dengan asumsi bahwa data berasal dari distribusi Gaussian campuran.

Dimensionality Reduction

26. Principal Component Analysis (PCA)

    • Mengurangi dimensi data dengan mencari komponen utama yang paling bervariasi.

27. t-Distributed Stochastic Neighbor Embedding (t-SNE)

    • Mengurangi dimensi data untuk visualisasi dengan mempertahankan jarak lokal.

28. Linear Discriminant Analysis (LDA)

    • Selain untuk klasifikasi, LDA juga digunakan untuk reduksi dimensi dengan mempertahankan informasi kelas.

Neural Networks

29. Artificial Neural Networks (ANN)

    • Model jaringan saraf tiruan dengan satu atau lebih lapisan tersembunyi untuk menangkap hubungan non-linear.

30. Convolutional Neural Networks (CNN)

    • Jaringan saraf yang dirancang khusus untuk pengolahan data grid seperti gambar, dengan lapisan konvolusi.