Precision, Recall, dan F1
Menyeimbangkan berbagai jenis kesalahan
Precision, Recall, dan F1 adalah pelajaran Data Science Academy gratis di CoddyKit. Ini adalah pelajaran 3 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Data Science Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Data Science Academy mencakup 4 pelajaran total.
Mengapa Akurasi Tidak Cukup
Saat salah satu kelas jarang muncul, akurasi dapat terlihat bagus meskipun model gagal mendeteksi semua hal yang penting. Anda memerlukan metrik yang lebih tajam seperti presisi dan recall. 🎯
Definisi Presisi
Presisi menanyakan: dari semua kasus yang saya tandai sebagai positif, berapa banyak yang benar-benar positif? Metrik ini mengukur seberapa dapat dipercaya jawaban ya.
precision = TP / (TP + FP)Saat Presisi Penting
Presisi tinggi penting ketika alarm palsu mahal akibatnya, misalnya saat menandai email yang sebenarnya bukan spam sebagai spam. Anda ingin setiap penandaan benar.
Definisi Recall
Recall menanyakan: dari semua kasus yang benar-benar positif, berapa banyak yang berhasil saya temukan? Metrik ini mengukur seberapa baik model mencegah kasus terlewat.
recall = TP / (TP + FN)Saat Recall Penting
Recall tinggi penting ketika kasus yang terlewat dapat membahayakan, misalnya saat melakukan skrining penyakit. Menemukan setiap kasus nyata lebih penting daripada beberapa alarm palsu.
Tarik-Menarik
Presisi dan recall biasanya saling berlawanan. Jika Anda menandai lebih banyak kasus, lebih banyak kasus positif akan ditemukan, tetapi alarm palsu juga meningkat. Inilah pertukaran yang harus dipertimbangkan.
Memperkenalkan Skor F1
Skor F1 menggabungkan presisi dan recall menjadi satu angka menggunakan rata-rata harmonik, sehingga model yang menyeimbangkan keduanya dengan baik akan mendapat nilai lebih tinggi.
f1 = 2 * (precision * recall) / (precision + recall)Mengapa Rata-Rata Harmonik
F1 menggunakan rata-rata harmonik sehingga skor yang rendah di salah satu sisi akan menurunkan hasil akhirnya. Anda tidak dapat mengakalinya dengan hanya unggul pada satu metrik.
Dapatkan dalam Satu Pemanggilan
Anda tidak perlu menghitungnya secara manual. Laporan klasifikasi mencetak presisi, recall, dan F1 untuk setiap kelas sekaligus.
from sklearn.metrics import classification_report
print(classification_report(y_true, y_pred))Pilih Metrik untuk Dioptimalkan
Biarkan masalahnya menentukan. Optimalkan recall saat kasus yang terlewat merugikan, presisi saat alarm palsu merugikan, dan F1 saat Anda memerlukan keseimbangan.
Perhatikan Perata-rataan
Dengan banyak kelas, tentukan cara melakukan perataan. Rata-rata makro memperlakukan semua kelas secara setara, sedangkan rata-rata berbobot memperhitungkan ukuran kelas. Pilihan ini mengubah cara hasilnya dipahami.
f1_score(y_true, y_pred, average='macro')Pemeriksaan Singkat
Mari pastikan perbedaan antara presisi dan recall tetap jelas dalam ingatan Anda.
Rangkuman
Presisi mempercayai jawaban ya, recall menemukan kasus positif, dan F1 menyeimbangkan keduanya. Biarkan biaya setiap kesalahan memandu pilihan Anda. 🎯
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Precision, Recall, dan F1” gratis?
Ya — teks lengkap “Precision, Recall, dan F1” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Data Science Academy, upgrade ke CoddyKit PRO. Kursus Data Science Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Precision, Recall, dan F1”?
Menyeimbangkan berbagai jenis kesalahan Kamu berlatih Data Science Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Data Science Academy?
Tidak diperlukan pengalaman sebelumnya. Data Science Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 3 dari 4.
Berapa lama pelajaran “Precision, Recall, dan F1” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Data Science Academy ini?
Ya. Setiap pelajaran Data Science Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Metrik Regresi: MAE, MSE, R2
- Menguraikan Matriks Kebingungan
- Precision, Recall, dan F1
- ROC, AUC, dan Ambang Batas