Mengevaluasi Kinerja Model
Akurasi, skor F1, dan metrik error
Mengevaluasi Kinerja Model adalah pelajaran Python For Kids gratis di CoddyKit. Ini adalah pelajaran 5 dari 5. 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 Python For Kids, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Python For Kids mencakup 5 pelajaran total.
Metrik Evaluasi Model
Mengevaluasi Kinerja Model
Mengevaluasi kinerja model pembelajaran mesin sangat penting untuk memastikan efektivitasnya. Kita menggunakan metrik seperti akurasi, presisi, perolehan kembali, dan skor F1 untuk masalah klasifikasi.
Akurasi
Akurasi mengukur rasio instans yang diprediksi dengan benar terhadap jumlah total instans:
Accuracy = (True Positives + True Negatives) / Total Instances
Meskipun berguna, akurasi saja mungkin tidak memadai untuk kumpulan data yang tidak seimbang.
Presisi
Presisi berfokus pada ketepatan prediksi positif:
Precision = True Positives / (True Positives + False Positives)
Presisi yang tinggi berarti lebih sedikit positif palsu.
Perolehan Kembali
Perolehan kembali mengukur kemampuan model untuk mengidentifikasi semua instans positif dengan benar:
Recall = True Positives / (True Positives + False Negatives)
Perolehan kembali yang tinggi berarti lebih sedikit negatif palsu.
Skor F1
Skor F1 adalah rata-rata harmonis dari presisi dan perolehan kembali:
F1 Score = 2 * (Precision * Recall) / (Precision + Recall)
Skor ini menyeimbangkan presisi dan perolehan kembali, terutama berguna untuk kumpulan data yang tidak seimbang.
Menggunakan scikit-learn untuk Metrik
Scikit-learn menyediakan fungsi untuk menghitung metrik-metrik ini:
from sklearn.metrics import precision_score, recall_score, f1_score
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)
print(f"Precision: {precision:.2f}")
print(f"Recall: {recall:.2f}")
print(f"F1 Score: {f1:.2f}")Matriks Kebingungan
Matriks kebingungan memberikan gambaran terperinci tentang kinerja model:
- True Positives (TP): Prediksi positif yang benar.
- False Positives (FP): Prediksi positif yang salah.
- True Negatives (TN): Prediksi negatif yang benar.
- False Negatives (FN): Prediksi negatif yang salah.
Memilih Metrik yang Tepat
Pemilihan metrik bergantung pada masalahnya:
- Akurasi: Bekerja dengan baik pada kumpulan data yang seimbang.
- Presisi: Penting ketika positif palsu menimbulkan kerugian besar.
- Perolehan Kembali: Sangat penting ketika negatif palsu menimbulkan kerugian besar.
- Skor F1: Metrik yang seimbang untuk kumpulan data yang tidak seimbang.
Ringkasan dan Langkah Berikutnya
Dalam pelajaran ini, kita telah membahas:
- Metrik untuk mengevaluasi kinerja model: akurasi, presisi, perolehan kembali, dan skor F1.
- Cara menghitung metrik-metrik ini menggunakan scikit-learn.
- Cara menafsirkan matriks kebingungan.
Selanjutnya, kita akan mempelajari metode pembelajaran tanpa pengawasan seperti pengelompokan.
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Mengevaluasi Kinerja Model” gratis?
Ya — teks lengkap “Mengevaluasi Kinerja Model” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Python For Kids, upgrade ke CoddyKit PRO. Kursus Python For Kids mencakup 5 pelajaran total.
Apa yang akan aku pelajari di “Mengevaluasi Kinerja Model”?
Akurasi, skor F1, dan metrik error Kamu berlatih Python For Kids 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 Python For Kids?
Tidak diperlukan pengalaman sebelumnya. Python For Kids 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 5 dari 5.
Berapa lama pelajaran “Mengevaluasi Kinerja Model” 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 Python For Kids ini?
Ya. Setiap pelajaran Python For Kids 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
- Konsep Regresi Linear
- Menerapkan Regresi Linear dalam Python
- Konsep Regresi Logistik
- Penerapan Regresi Logistik
- Mengevaluasi Kinerja Model