def _shuffle_tfs(pd):
# Shuffle columns (TFs) in the priors_data
utils.Debug.vprint(
"Randomly shuffling prior [{sh}] TF data".format(sh=pd.shape),
level=0)
prior_index = pd.columns.tolist()
pd = pd.sample(frac=1, axis=1, random_state=random_seed)
pd.columns = prior_index
return pd
def _shuffle_genes(pd):
# Shuffle index (genes) in the priors_data
utils.Debug.vprint(
"Randomly shuffling prior [{sh}] gene data".format(
sh=pd.shape),
level=0)
prior_index = pd.index.tolist()
pd = pd.sample(frac=1, axis=0, random_state=random_seed)
pd.index = prior_index
return pd
spam = oni.query('CLASS == 1') #membagi tabel spam
nospam = oni.query('CLASS == 0') #membagi tabel no spam
from sklearn.feature_extraction.text import CountVectorizer #untuk import countvectorizer berfungsi untuk memecah data tersebut menjadi sebuah kata yang lebih sederhana
vectorizer = CountVectorizer(
) #ntuk menjalankan fungsi tersebut, pada code ini tidak ada hasilnya dikarenakan spyder tidak mendukung hasil dari instasiasi.
dvec = vectorizer.fit_transform(
oni['CONTENT']
) #untuk melakukan pemecahan data pada dataframe yang terdapat pada kolom konten
dvec #Untuk menampilkan hasil dari code sebelumnya
Daptarkata = vectorizer.get_feature_names()
dshuf = oni.sample(frac=1)
d_train = dshuf[:300]
d_test = dshuf[300:]
d_train_att = vectorizer.fit_transform(d_train['CONTENT'])
d_train_att
d_train_label = d_train['CLASS']
d_test_label = d_test['CLASS']
#%% Soal 4
from sklearn import svm
clfsvm = svm.SVR(gamma='auto')
clfsvm.fit(d_train_att, d_train_label)
spam = izza.query('CLASS == 1') #membagi tabel spam
nospam = izza.query('CLASS == 0') #membagi tabel no spam
from sklearn.feature_extraction.text import CountVectorizer #untuk import countvectorizer berfungsi untuk memecah data tersebut menjadi sebuah kata yang lebih sederhana
vectorizer = CountVectorizer(
) #ntuk menjalankan fungsi tersebut, pada code ini tidak ada hasilnya dikarenakan spyder tidak mendukung hasil dari instasiasi.
dvec = vectorizer.fit_transform(
izza['CONTENT']
) #untuk melakukan pemecahan data pada dataframe yang terdapat pada kolom konten
dvec #Untuk menampilkan hasil dari code sebelumnya
Daptarkata = vectorizer.get_feature_names()
dshuf = izza.sample(frac=1)
d_train = dshuf[:300]
d_test = dshuf[300:]
d_train_att = vectorizer.fit_transform(d_train['CONTENT'])
d_train_att
d_train_label = d_train['CLASS']
d_test_label = d_test['CLASS']
#%% Soal 4
from sklearn import svm
clfsvm = svm.SVR(gamma='auto')
clfsvm.fit(d_train_att, d_train_label)
spam = ps.query('CLASS == 1') #membagi tabel spam
nospam = ps.query('CLASS == 0') #membagi tabel no spam
from sklearn.feature_extraction.text import CountVectorizer #untuk import countvectorizer berfungsi untuk memecah data tersebut menjadi sebuah kata yang lebih sederhana
vectorizer = CountVectorizer(
) #ntuk menjalankan fungsi tersebut, pada code ini tidak ada hasilnya dikarenakan spyder tidak mendukung hasil dari instasiasi.
dvec = vectorizer.fit_transform(
ps['CONTENT']
) #untuk melakukan pemecahan data pada dataframe yang terdapat pada kolom konten
dvec #Untuk menampilkan hasil dari code sebelumnya
Daptarkata = vectorizer.get_feature_names()
dshuf = ps.sample(frac=1)
d_train = dshuf[:300]
d_test = dshuf[300:]
d_train_att = vectorizer.fit_transform(d_train['CONTENT'])
d_train_att
d_train_label = d_train['CLASS']
d_test_label = d_test['CLASS']
#%% Soal 4
from sklearn import svm
clfsvm = svm.SVR(gamma='auto')
clfsvm.fit(d_train_att, d_train_label)
spam = fahmi.query('CLASS == 1') #membagi tabel spam
nospam = fahmi.query('CLASS == 0') #membagi tabel no spam
from sklearn.feature_extraction.text import CountVectorizer #untuk import countvectorizer berfungsi untuk memecah data tersebut menjadi sebuah kata yang lebih sederhana
vectorizer = CountVectorizer(
) #ntuk menjalankan fungsi tersebut, pada code ini tidak ada hasilnya dikarenakan spyder tidak mendukung hasil dari instasiasi.
dvec = vectorizer.fit_transform(
fahmi['CONTENT']
) #untuk melakukan pemecahan data pada dataframe yang terdapat pada kolom konten
dvec #Untuk menampilkan hasil dari code sebelumnya
Daptarkata = vectorizer.get_feature_names()
dshuf = fahmi.sample(frac=1)
d_train = dshuf[:300]
d_test = dshuf[300:]
d_train_att = vectorizer.fit_transform(d_train['CONTENT'])
d_train_att
d_train_label = d_train['CLASS']
d_test_label = d_test['CLASS']
#%% Soal 4
from sklearn import svm
clfsvm = svm.SVR(gamma='auto')
clfsvm.fit(d_train_att, d_train_label)
#untuk membagi tabel spam
nospam = gani.query('CLASS == 0')
#untuk membagi tabel no spam
from sklearn.feature_extraction.text import CountVectorizer
#import countvectorizer berfungsi untuk memecah data tersebut menjadi sebuah kata yang lebih sederhana
vectorizer = CountVectorizer()
#menjalankan fungsi tersebut, pada code ini tidak ada hasilnya dikarenakan spyder tidak mendukung hasil dari instasiasi.
dvec = vectorizer.fit_transform(gani['CONTENT'])
#melakukan pemecahan data pada dataframe yang terdapat pada kolom konten
dvec #menampilkan hasil dari code sebelumnya
Daptarkata = vectorizer.get_feature_names()
dshuf = gani.sample(frac=1)
d_train = dshuf[:300]
d_test = dshuf[300:]
d_train_att = vectorizer.fit_transform(d_train['CONTENT'])
d_train_att
d_train_label = d_train['CLASS']
d_test_label = d_test['CLASS']
#%% Soal 4
from sklearn import svm
clfsvm = svm.SVR(gamma='auto')
spam = izal.query('CLASS == 1') #membagi tabel spam
nospam = izal.query('CLASS == 0') #membagi tabel no spam
from sklearn.feature_extraction.text import CountVectorizer #untuk import countvectorizer berfungsi untuk memecah data tersebut menjadi sebuah kata yang lebih sederhana
vectorizer = CountVectorizer(
) #ntuk menjalankan fungsi tersebut, pada code ini tidak ada hasilnya dikarenakan spyder tidak mendukung hasil dari instasiasi.
dvec = vectorizer.fit_transform(
izal['CONTENT']
) #untuk melakukan pemecahan data pada dataframe yang terdapat pada kolom konten
dvec #Untuk menampilkan hasil dari code sebelumnya
Daptarkata = vectorizer.get_feature_names()
dshuf = izal.sample(frac=1)
d_train = dshuf[:300]
d_test = dshuf[300:]
d_train_att = vectorizer.fit_transform(d_train['CONTENT'])
d_train_att
d_train_label = d_train['CLASS']
d_test_label = d_test['CLASS']
#%% Soal 4
from sklearn import svm
clfsvm = svm.SVR(gamma='auto')
clfsvm.fit(d_train_att, d_train_label)
#%% Soal 3
import pandas as fanny #untuk import library pandas berguna untuk mengelola dataframe
fanny = fanny.read_csv("F://Semester 6/Artificial Intelligence/Tugas 4/src/Youtube03-LMFAO.csv") #membaca file dengan format csv
spam=fanny.query('CLASS == 1') #membagi tabel spam
nospam=fanny.query('CLASS == 0')#membagi tabel no spam
from sklearn.feature_extraction.text import CountVectorizer #untuk import countvectorizer berfungsi untuk memecah data tersebut menjadi sebuah kata yang lebih sederhana
vectorizer = CountVectorizer () #ntuk menjalankan fungsi tersebut, pada code ini tidak ada hasilnya dikarenakan spyder tidak mendukung hasil dari instasiasi.
dvec = vectorizer.fit_transform(fanny['CONTENT']) #untuk melakukan pemecahan data pada dataframe yang terdapat pada kolom konten
dvec #Untuk menampilkan hasil dari code sebelumnya
Daptarkata= vectorizer.get_feature_names()
dshuf = fanny.sample(frac=1)
d_train=dshuf[:300]
d_test=dshuf[300:]
d_train_att = vectorizer.fit_transform(d_train['CONTENT'])
d_train_att
d_train_label=d_train['CLASS']
d_test_label=d_test['CLASS']
#%% Soal 4
from sklearn import svm
clfsvm = svm.SVR(gamma = 'auto')
clfsvm.fit(d_train_att, d_train_label)
#%% Soal 3
import pandas as ainul #untuk import library pandas berguna untuk mengelola dataframe
ainul = ainul.read_csv("Youtube03-LMFAO.csv") #membaca file dengan format csv
spam=ainul.query('CLASS == 1') #membagi tabel spam
nospam=ainul.query('CLASS == 0')#membagi tabel no spam
from sklearn.feature_extraction.text import CountVectorizer #untuk import countvectorizer berfungsi untuk memecah data tersebut menjadi sebuah kata yang lebih sederhana
vectorizer = CountVectorizer () #ntuk menjalankan fungsi tersebut, pada code ini tidak ada hasilnya dikarenakan spyder tidak mendukung hasil dari instasiasi.
dvec = vectorizer.fit_transform(ainul['CONTENT']) #untuk melakukan pemecahan data pada dataframe yang terdapat pada kolom konten
dvec #Untuk menampilkan hasil dari code sebelumnya
Daptarkata= vectorizer.get_feature_names()
dshuf = ainul.sample(frac=1)
d_train=dshuf[:300]
d_test=dshuf[300:]
d_train_att = vectorizer.fit_transform(d_train['CONTENT'])
d_train_att
d_train_label=d_train['CLASS']
d_test_label=d_test['CLASS']
#%% Soal 4
from sklearn import svm
clfsvm = svm.SVR(gamma = 'auto')
clfsvm.fit(d_train_att, d_train_label)
spam = hans.query('CLASS == 1') #membagi tabel spam
nospam = hans.query('CLASS == 0') #membagi tabel no spam
from sklearn.feature_extraction.text import CountVectorizer #untuk import countvectorizer berfungsi untuk memecah data tersebut menjadi sebuah kata yang lebih sederhana
vectorizer = CountVectorizer(
) #ntuk menjalankan fungsi tersebut, pada code ini tidak ada hasilnya dikarenakan spyder tidak mendukung hasil dari instasiasi.
dvec = vectorizer.fit_transform(
hans['CONTENT']
) #untuk melakukan pemecahan data pada dataframe yang terdapat pada kolom konten
dvec #Untuk menampilkan hasil dari code sebelumnya
Daptarkata = vectorizer.get_feature_names()
dshuf = hans.sample(frac=1)
love = dshuf[:300]
fixs = dshuf[300:]
love_att = vectorizer.fit_transform(love['CONTENT'])
love_att
love_label = love['CLASS']
fixs_label = fixs['CLASS']
#%% Soal 4
from sklearn import svm
clfsvm = svm.SVR(gamma='auto')
clfsvm.fit(love_att, love_label)
