TF: TensowFlow IRIS Google Colab

Melatih model TensorFlow pada dataset Iris di Google Colab adalah latihan yang efektif untuk memahami proses pembelajaran mesin. Berikut adalah langkah-langkah yang dapat Anda ikuti:

1. Mempersiapkan Lingkungan di Google Colab:

• Buka [Google Colab](https://colab.research.google.com/) dan buat notebook baru.
• Pastikan TensorFlow sudah terinstal. Jika belum, Anda dapat menginstalnya dengan perintah berikut:

!pip install tensorflow
 

2. Mengimpor Pustaka yang Diperlukan:

import tensorflow as tf
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, LabelEncoder
import pandas as pd

3. Memuat dan Mengeksplorasi Dataset Iris:

# Memuat dataset Iris
iris = load_iris()
X = iris.data
y = iris.target

# Mengubah menjadi DataFrame untuk eksplorasi
df = pd.DataFrame(X, columns=iris.feature_names)
df['species'] = y

# Menampilkan 5 baris pertama
print(df.head())

4. Pra-pemrosesan Data:

• Menyandikan Label:

# Menyandikan label menjadi bentuk numerik
le = LabelEncoder()
y_encoded = le.fit_transform(y)

• Membagi Data menjadi Set Pelatihan dan Pengujian:

# Membagi data menjadi set pelatihan dan pengujian
X_train, X_test, y_train, y_test = train_test_split(X, y_encoded, test_size=0.2, random_state=42)

• Standarisasi Fitur:

# Standarisasi fitur
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

5. Membangun Model TensorFlow:

# Membangun model Sequential
model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu', input_shape=(X_train.shape[1],)),
    tf.keras.layers.Dense(10, activation='relu'),
    tf.keras.layers.Dense(3, activation='softmax')  # 3 kelas untuk spesies Iris
])

# Kompilasi model
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

6. Melatih Model:

# Melatih model
history = model.fit(X_train, y_train, epochs=50, validation_split=0.2)

7. Evaluasi Model:

# Evaluasi model pada data uji
test_loss, test_accuracy = model.evaluate(X_test, y_test)
print(f'Akurasi pada data uji: {test_accuracy:.2f}')

8. Membuat Prediksi:

# Membuat prediksi pada data uji
predictions = model.predict(X_test)
predicted_classes = tf.argmax(predictions, axis=1).numpy()

# Menampilkan prediksi untuk 5 sampel pertama
print(predicted_classes[:5])
print(y_test[:5])

9. Menyimpan dan Memuat Model:

• Menyimpan Model:

# Menyimpan model
model.save('iris_model.h5')

• Memuat Model:

# Memuat model
loaded_model = tf.keras.models.load_model('iris_model.h5')

10. Menguji Model yang Dimuat:

# Evaluasi model yang dimuat
loss, accuracy = loaded_model.evaluate(X_test, y_test)
print(f'Akurasi model yang dimuat: {accuracy:.2f}')

Untuk panduan lebih lanjut, Anda dapat merujuk pada tutorial resmi TensorFlow tentang memulai dengan Keras: https://cloud.google.com/ai-platform/docs/getting-started-keras?hl=id

Dengan mengikuti langkah-langkah di atas, Anda dapat berhasil melatih, mengevaluasi, dan menyimpan model TensorFlow menggunakan dataset Iris di Google Colab.

Pranala Menarik

• TensorFlow