Metrik Regresi: MAE, MSE, R2
Mengukur galat prediksi numerik
Metrik Regresi: MAE, MSE, R2 adalah pelajaran Data Science Academy gratis di CoddyKit. Ini adalah pelajaran 1 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 Mengukur Kesalahan
Saat model memprediksi angka, Anda memerlukan satu skor yang jujur untuk menunjukkan seberapa jauh prediksinya meleset. Skor itu adalah metrik kesalahan, yang memberi gambaran sebenarnya. 📏
Gagasan Residual
Mulailah dengan residual: selisih antara nilai sebenarnya dan nilai yang diprediksi. Setiap metrik regresi hanyalah cara untuk merangkum selisih-selisih ini.
residual = y_true - y_predMean Absolute Error
MAE mengambil besar setiap kesalahan, mengabaikan tandanya, lalu menghitung rata-ratanya. Metrik ini menunjukkan rata-rata besar kesalahan dalam satuan yang sama dengan target Anda.
from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_true, y_pred)MAE Mudah Dijelaskan
Karena MAE menggunakan satuan nyata, Anda dapat mengatakan bahwa model rata-rata meleset sekitar 5 dolar. Penjelasan sederhana seperti ini biasanya disukai para pemangku kepentingan.
Mean Squared Error
MSE menguadratkan setiap kesalahan sebelum menghitung rata-ratanya. Penguadratan memberikan hukuman jauh lebih besar untuk kesalahan besar, sehingga beberapa kesalahan besar dapat mendominasi skor.
from sklearn.metrics import mean_squared_error
mean_squared_error(y_true, y_pred)Penguadratan Mengubah Satuan
Ada satu hal yang perlu diperhatikan: MSE menggunakan satuan kuadrat, sehingga dolar berubah menjadi dolar kuadrat. Angka ini sulit ditafsirkan jika berdiri sendiri.
Root Mean Squared Error
Ambil akar kuadrat dari MSE untuk mendapatkan RMSE, yang kembali menggunakan satuan normal. Metrik ini tetap memberikan hukuman besar pada kesalahan besar, tetapi lebih mudah dibaca.
rmse = mean_squared_error(y_true, y_pred) ** 0.5MAE vs RMSE
Pilih MAE jika setiap kesalahan sama pentingnya, dan pilih RMSE jika kesalahan besar sangat merugikan sehingga Anda ingin memberikan hukuman yang lebih berat.
Skor R-Squared
R2 mengajukan pertanyaan yang berbeda: berapa bagian variasi pada target yang dapat dijelaskan oleh model Anda. Nilai yang lebih tinggi berarti kecocokan yang lebih baik.
from sklearn.metrics import r2_score
r2_score(y_true, y_pred)Membaca R-Squared
Nilai R2 sebesar 1,0 berarti sempurna, sedangkan 0,0 tidak lebih baik daripada menebak nilai rata-rata. Nilainya bahkan dapat menjadi negatif jika kecocokan model lebih buruk daripada itu.
Gunakan Bersama
Tidak ada satu angka yang dapat menceritakan semuanya. Pasangkan metrik kesalahan seperti RMSE dengan R2 untuk melihat rata-rata kesalahan sekaligus kecocokan keseluruhan.
Pemeriksaan Singkat
Mari pastikan Anda memahami apa yang sebenarnya diukur oleh setiap metrik regresi.
Rangkuman
Gunakan MAE untuk rata-rata kesalahan yang mudah dipahami, RMSE untuk memberikan hukuman pada kesalahan besar, dan R2 untuk bagian varians yang dijelaskan. Baca semuanya secara bersamaan. 🎯
Belajar Python dengan tutor AI — gratis
Tulis dan jalankan kode asli di browser kamu, dapatkan bantuan instan dari tutor AI 24/7, dan lanjutkan di mana kamu tinggalkan di web atau aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Metrik Regresi: MAE, MSE, R2” gratis?
Ya — teks lengkap “Metrik Regresi: MAE, MSE, R2” 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 “Metrik Regresi: MAE, MSE, R2”?
Mengukur galat prediksi numerik 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 1 dari 4.
Berapa lama pelajaran “Metrik Regresi: MAE, MSE, R2” 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