Four-Models-of-ML-Algorithm-for-Customer-Behavior-ProyekDicodingML

Proyek Tugas Akhir

Setup Environment - Anaconda Navigator - Jupyter Notebook

conda create -- main-ds python=3.12.2
conda activate main-ds
pip install numpy
pip isntall pandas
pip install matplotlib
pip install seaborn
pip install sklearn

Result

Analisis Kelebihan dan Kelemahan Model:

1. Random Forest

• Kelebihan:
  • Model memiliki fitting yang sangat baik dengan selisih antara training score dan testing score yang sangat kecil (Difference: 0.0025), menunjukkan bahwa model tidak overfitting maupun underfitting.
  • Performa per kelas sangat konsisten, dengan Precision dan Recall mendekati atau mencapai 1.0 di semua kelas.
• Kelemahan:
  • Tidak ada kelemahan signifikan dalam metrik yang diberikan. Model sangat optimal untuk dataset ini.

---

2. K-Nearest Neighbors (KNN)

• Kelebihan:
  • Model memiliki fitting yang baik, dengan Difference hanya 0.0019, menunjukkan performa yang stabil pada training dan testing data.
  • Performa per kelas juga sangat baik, dengan Precision dan Recall mencapai nilai sempurna untuk beberapa kelas.
• Kelemahan:
  • Sama seperti Random Forest, KNN juga tidak menunjukkan kelemahan signifikan berdasarkan metrik yang diberikan.
  • Namun, KNN umumnya lebih lambat pada dataset besar dan bergantung pada metrik jarak, yang tidak terlihat dari hasil ini.

---

3. Decision Tree

• Kelebihan:
  • Memiliki Training Score sempurna (1.0000) dan performa testing yang tinggi (0.9949).
  • Precision dan Recall cukup tinggi untuk semua kelas.
• Kelemahan:
  • Difference antara training dan testing score adalah yang terbesar (0.0051) dibandingkan model lain, menunjukkan bahwa model sedikit overfitting pada training data.
  • Recall pada kelas 1 (0.9856) lebih rendah dibandingkan Precision (1.0000), yang dapat berarti model tidak menangkap semua instance dari kelas 1 dengan sempurna.

Precision atau Recall rendah Pada model tertentu

• Semua model menunjukkan Precision dan Recall yang sangat tinggi di semua kelas, dengan sedikit penurunan pada:
  • Decision Tree (Kelas 1): Recall lebih rendah (0.9856), yang dapat memengaruhi kemampuan model dalam menangkap semua instance dari kelas tersebut.

Apakah model mengalami overfitting atau underfitting?

Saya mengambil 3 model saja, berikut adalah rinciannya:

• Random Forest: Tidak overfitting maupun underfitting (Training dan Testing Score sangat mirip).
• KNN: Tidak overfitting maupun underfitting (Difference sangat kecil, 0.0019).
• Decision Tree: Mengalami sedikit overfitting karena Training Score sempurna (1.0000) sementara Testing Score sedikit lebih rendah (0.9949) dengan Difference 0.0051.