Tugas Programming

1. Implementasi Regresi Logistik menggunakan Scikit-Learn

#

Buatlah program Python yang menggunakan scikit-learn untuk melakukan Regresi Logistik pada dataset sederhana. Tampilkan akurasi model pada data pengujian.

Contoh Input:

# Dataset sederhana (X_train, y_train, X_test, y_test sudah diberikan)
X_train = ...
y_train = ...
X_test = ...
y_test = ...

# Implementasi Regresi Logistik
# ...

# Tampilkan akurasi model
# ...

Contoh Output:

Akurasi Model: 0.85

2. Interpretasi Fungsi Keputusan dan Probabilitas

#

Implementasikan fungsi yang menerima nilai probabilitas prediksi dari model Regresi Logistik dan mengembalikan keputusan berdasarkan ambang batas tertentu. Tampilkan hasil keputusan pada contoh input.

Contoh Input:

# Probabilitas prediksi dari model
probabilities = [0.3, 0.7, 0.6, 0.8, 0.4]

# Ambang batas
threshold = 0.5

Contoh Output:

Keputusan: [0, 1, 1, 1, 0]

3. Visualisasi Transformasi Logit

#

Buatlah visualisasi untuk menggambarkan transformasi logit pada rentang nilai dari 0 hingga 1.

4. Evaluasi Model dengan Metrik Berbeda

#

Buatlah program Python untuk mengevaluasi model Regresi Logistik dengan menggunakan metrik akurasi, presisi, dan recall. Tampilkan hasil evaluasi pada data pengujian.

Contoh Input:

# Prediksi model dan label sebenarnya
predictions = [1, 0, 1, 1, 0, 1, 0, 1, 1, 0]
true_labels = [1, 0, 0, 1, 0, 1, 1, 1, 0, 0]

Contoh Output:

Akurasi: 0.7
Presisi: 0.75
Recall: 0.8

5. Penyetelan Hyperparameter dengan GridSearchCV

#

Gunakan GridSearchCV dari scikit-learn untuk melakukan penyetelan hyperparameter pada model Regresi Logistik. Tentukan rentang nilai hyperparameter yang akan dieksplorasi.

Contoh Input:

# Dataset dan label
X_train = ...
y_train = ...

# Rentang nilai hyperparameter
param_grid = {'penalty': ['l1', 'l2'], 'C': [0.001, 0.01, 0.1, 1, 10, 100], 'max_iter': [100, 200, 300]}

Contoh Output:

Hyperparameter Terbaik: {'C': 1, 'max_iter': 100, 'penalty': 'l2'}

6. Implementasi Fungsi Keputusan Dinamis

#

Buatlah program Python untuk mengimplementasikan fungsi keputusan dinamis pada model Regresi Logistik. Fungsi ini harus dapat menerima probabilitas prediksi dan memberikan keputusan berdasarkan ambang batas yang bervariasi sesuai dengan karakteristik data.

Contoh Input:

# Probabilitas prediksi dari model
probabilities = [0.3, 0.7, 0.6, 0.8, 0.4]

# Fungsi keputusan dinamis
def dynamic_decision(probabilities, dynamic_thresholds):
    # Implementasi fungsi
    # ...
    return decisions

Contoh Output:

Keputusan: [0, 1, 0, 1, 0]