Matriks Kebingungan dan Analisis Galat
Temukan bagian yang gagal ditangani model
Matriks Kebingungan dan Analisis Galat adalah pelajaran Deep Learning Academy gratis di CoddyKit. Ini adalah pelajaran 2 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 Deep Learning Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
See Every Mistake
A confusion matrix lays out predicted versus true labels in a grid. One glance shows exactly where your model trips up.
Rows and Columns
Rows are the true classes and columns are the predicted ones. The diagonal holds correct calls; everything off it is an error.
Build It in One Call
Scikit-learn turns labels and predictions into the grid instantly, so you can inspect the counts right away.
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_true, y_pred)The Diagonal Is Your Friend
A strong model concentrates counts on the diagonal. Large off-diagonal cells reveal pairs of classes it keeps confusing.
Spot Confused Pairs
If many cats get labeled dogs, that single bright off-diagonal cell points you straight to a systematic weakness.
Normalize for Fairness
Raw counts mislead when classes differ in size. Normalize each row to compare error rates per class on equal footing.
cm_norm = cm / cm.sum(axis=1, keepdims=True)Beyond the Grid: Look at Examples
Numbers tell you where, not why. Error analysis means opening the actual misclassified samples to understand the cause.
Group the Failures
Sort errors into buckets like blurry images or rare phrasing. Patterns in these groups suggest concrete fixes.
Label Noise Hides Here
Some misses are really wrong labels in your data, not model faults. Error analysis surfaces these so you can clean them.
From Errors to Action
Each error pattern maps to a remedy: more data, better features, or a tweaked threshold for the troublesome class.
A Habit, Not a One-Off
Repeat error analysis after every change. This steady loop turns vague failure into a clear, prioritized to-do list. 🔁
Quick Check
Recall what the diagonal of a confusion matrix represents.
Recap
A confusion matrix shows where errors fall, then hands-on error analysis explains why. Together they turn failures into fixes. 🎯
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Matriks Kebingungan dan Analisis Galat” gratis?
Ya — teks lengkap “Matriks Kebingungan dan Analisis Galat” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Deep Learning Academy, upgrade ke CoddyKit PRO. Kursus Deep Learning Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Matriks Kebingungan dan Analisis Galat”?
Temukan bagian yang gagal ditangani model Kamu berlatih Deep Learning 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 Deep Learning Academy?
Tidak diperlukan pengalaman sebelumnya. Deep Learning 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 2 dari 4.
Berapa lama pelajaran “Matriks Kebingungan dan Analisis Galat” 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 Deep Learning Academy ini?
Ya. Setiap pelajaran Deep Learning 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
- Presisi, Recall, F1, dan ROC-AUC
- Matriks Kebingungan dan Analisis Galat
- Grad-CAM: Lihat yang Diperhatikan Model
- Kalibrasikan Keyakinan