ROC, AUC, dan Ambang Batas
Menilai kualitas pemeringkatan pada berbagai ambang
ROC, AUC, dan Ambang Batas adalah pelajaran Data Science Academy gratis di CoddyKit. Ini adalah pelajaran 4 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.
Model Menghasilkan Probabilitas
Sebagian besar pengklasifikasi tidak hanya menjawab ya atau tidak. Model memberikan probabilitas, misalnya 0,73, lalu Anda menentukan batas pemisahnya. 🎚️
probs = model.predict_proba(X)[:, 1]Ambang Keputusan
Ambang mengubah probabilitas menjadi label. Nilai di atasnya berarti positif, sedangkan nilai di bawahnya berarti negatif. Nilai bawaan 0,5 hanyalah salah satu pilihan.
y_pred = probs >= 0.5Menggeser Garis
Turunkan ambang untuk menangkap lebih banyak kasus positif, tetapi alarm palsu akan meningkat. Naikkan ambang untuk menjadi lebih ketat, tetapi lebih banyak kasus akan terlewat. Setiap pengaturan memiliki pertukaran masing-masing.
Dua Rasio yang Perlu Dipantau
Saat ambang digeser, pantau rasio positif benar terhadap rasio positif palsu. Keduanya menggambarkan kinerja model pada setiap batas pemisah.
Kurva ROC
Kurva ROC menggambarkan rasio positif benar terhadap rasio positif palsu pada semua ambang, sehingga seluruh pertukarannya terlihat dalam satu gambar.
from sklearn.metrics import roc_curve
fpr, tpr, thr = roc_curve(y_true, probs)Membaca Bentuknya
Kurva yang mengikuti sudut kiri atas adalah kurva yang sangat baik: tingkat deteksi tinggi dengan sedikit alarm palsu. Garis diagonal berarti tebakan acak.
Luas di Bawah Kurva
AUC merangkum seluruh kurva ROC menjadi satu angka: luas di bawah kurva tersebut. Metrik ini merangkum kinerja pada semua ambang sekaligus.
from sklearn.metrics import roc_auc_score
roc_auc_score(y_true, probs)Makna AUC
AUC sebesar 1,0 berarti sempurna, sedangkan 0,5 berarti acak seperti lempar koin. Tafsirkan sebagai peluang model memberi peringkat positif benar di atas negatif benar.
Perbandingan Tanpa Ambang
Karena AUC mengabaikan satu batas pemisah tertentu, metrik ini sangat baik untuk membandingkan model. Model pemenang lebih sering menempatkan kasus positif di atas kasus negatif.
Kemudian Pilih Ambang
AUC membantu memilih model, tetapi Anda tetap harus menetapkan ambang untuk penggunaan nyata dan menyesuaikannya agar mengutamakan recall atau presisi sesuai kebutuhan masalah.
Kapan Memilih Kurva PR
Pada data yang sangat tidak seimbang, ROC dapat terlihat terlalu bagus. Kurva precision-recall sering memberikan gambaran yang lebih jujur tentang kinerja kelas yang jarang.
Pemeriksaan Singkat
Mari pastikan Anda memahami apa yang sebenarnya ditunjukkan AUC tentang suatu pengklasifikasi.
Rangkuman
Ambang mengubah probabilitas menjadi label, kurva ROC menunjukkan setiap pertukaran, dan AUC menilai seluruh kurva sekaligus. 🎯
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 “ROC, AUC, dan Ambang Batas” gratis?
Ya — teks lengkap “ROC, AUC, dan Ambang Batas” 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 “ROC, AUC, dan Ambang Batas”?
Menilai kualitas pemeringkatan pada berbagai ambang 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 4 dari 4.
Berapa lama pelajaran “ROC, AUC, dan Ambang Batas” 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