{"id":1150,"date":"2023-07-27T12:12:52","date_gmt":"2023-07-27T12:12:52","guid":{"rendered":"https:\/\/statorials.org\/id\/kompromi-varians-bias\/"},"modified":"2023-07-27T12:12:52","modified_gmt":"2023-07-27T12:12:52","slug":"kompromi-varians-bias","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/kompromi-varians-bias\/","title":{"rendered":"Apa yang dimaksud dengan tradeoff bias-varians dalam pembelajaran mesin?"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Untuk mengevaluasi performa model pada kumpulan data, kita perlu mengukur seberapa cocok prediksi model tersebut dengan data observasi.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Untuk <a href=\"https:\/\/statorials.org\/id\/regresi-vs.-klasifikasi\/\" target=\"_blank\" rel=\"noopener noreferrer\">model regresi<\/a> , metrik yang paling umum digunakan adalah mean square error (MSE), yang dihitung sebagai berikut:<\/span><\/p>\n<p> <span style=\"color: #000000;\">MSE = (1\/n)*\u03a3(y <sub>saya<\/sub> \u2013 f(x <sub>saya<\/sub> )) <sup>2<\/sup><\/span><\/p>\n<p> <span style=\"color: #000000;\">Emas:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>n:<\/strong> jumlah total observasi<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>y <sub>i<\/sub> :<\/strong> Nilai respon observasi <sup>ke-i<\/sup><\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>f(x <sub>i<\/sub> ) :<\/strong> Nilai respon prediksi observasi <sup>ke<\/sup> -i<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Semakin dekat prediksi model dengan observasi, maka MSE akan semakin rendah.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun, kami hanya peduli dengan <strong>pengujian MSE<\/strong> \u2013 MSE ketika model kami diterapkan pada data yang tidak terlihat. Hal ini karena kami hanya peduli pada performa model pada data yang tidak diketahui, bukan pada data yang sudah ada.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Misalnya, tidak masalah jika model yang memprediksi harga saham memiliki MSE yang rendah pada data historis, namun kami <em>benar-benar<\/em> ingin dapat menggunakan model tersebut untuk memprediksi data masa depan secara akurat.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Ternyata tes MSE masih bisa dipecah menjadi dua bagian:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>(1) Varians:<\/strong> mengacu pada jumlah perubahan fungsi <em>f<\/em> jika kita memperkirakannya menggunakan set pelatihan yang berbeda.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>(2) Bias:<\/strong> mengacu pada kesalahan yang timbul saat mendekati masalah nyata, yang mungkin sangat rumit, dengan model yang lebih sederhana.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Ditulis dalam istilah matematika:<\/span><\/p>\n<p> <span style=\"color: #000000;\">Tes MSE = Var( <em class=\"ph i\">f\u0302(<\/em> x <sub>0<\/sub> )) + [Bias( <em class=\"ph i\">f\u0302(<\/em> x <sub>0<\/sub> ))] <sup>2<\/sup> + Var(\u03b5)<\/span><\/p>\n<p> <span style=\"color: #000000;\">Uji MSE = Varians + Bias <sup>2<\/sup> + Kesalahan yang tidak dapat direduksi<\/span><\/p>\n<p> <span style=\"color: #000000;\">Istilah ketiga, kesalahan yang tidak dapat direduksi, adalah kesalahan yang tidak dapat dikurangi dengan model apa pun hanya karena selalu ada <em>gangguan<\/em> dalam hubungan antara himpunan variabel penjelas dan <a href=\"https:\/\/statorials.org\/id\/variabel-tanggapan-penjelas\/\" target=\"_blank\" rel=\"noopener noreferrer\">variabel respons<\/a> .<\/span><\/p>\n<p> <span style=\"color: #000000;\">Model yang memiliki <strong>bias tinggi<\/strong> cenderung memiliki <strong>varians yang rendah<\/strong> . Misalnya, model regresi linier cenderung memiliki bias yang tinggi (dengan asumsi hubungan linier sederhana antara variabel penjelas dan variabel respons) dan varians yang rendah (estimasi model tidak akan banyak berubah dari sampel ke sampel). yang lain).<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun model dengan <strong>bias rendah<\/strong> cenderung memiliki <strong>varians tinggi<\/strong> . Misalnya, model nonlinier yang kompleks cenderung memiliki bias yang rendah (tidak mengasumsikan adanya hubungan tertentu antara variabel penjelas dan variabel respon) dengan variansi yang tinggi (estimasi model dapat berubah secara signifikan dari suatu sampel pembelajaran ke sampel lainnya).<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Pertukaran bias-varians<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\"><strong>Pertukaran bias-varian<\/strong> mengacu pada pertukaran yang terjadi ketika kita memilih untuk mengurangi bias, yang umumnya meningkatkan varians, atau mengurangi varians, yang umumnya meningkatkan bias.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Grafik berikut menawarkan cara untuk memvisualisasikan trade-off ini:<\/span> <\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11515 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/biais_variance1.png\" alt=\"Pertukaran bias-varians\" width=\"551\" height=\"400\" srcset=\"\" sizes=\"\"><\/p>\n<p> <span style=\"color: #000000;\">Kesalahan total menurun seiring dengan meningkatnya kompleksitas model, tetapi hanya sampai titik tertentu. Melampaui titik tertentu, varians mulai meningkat dan total error juga mulai meningkat.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dalam praktiknya, kami hanya peduli untuk meminimalkan kesalahan total suatu model, tidak serta merta meminimalkan varians atau bias.<\/span> <span style=\"color: #000000;\">Ternyata cara meminimalkan total error adalah dengan menemukan keseimbangan yang tepat antara varians dan bias.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dengan kata lain, kita menginginkan model yang cukup kompleks untuk menangkap hubungan sebenarnya antara variabel penjelas dan variabel respon, namun tidak terlalu rumit untuk mendeteksi pola yang sebenarnya tidak ada.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Jika suatu model terlalu rumit, maka model tersebut akan <a href=\"https:\/\/statorials.org\/id\/pembelajaran-mesin-yang-berlebihan\/\" target=\"_blank\" rel=\"noopener noreferrer\"><strong>overfits terhadap<\/strong><\/a> data. Hal ini terjadi karena terlalu sulit untuk menemukan pola dalam data pelatihan yang hanya disebabkan oleh kebetulan. Model jenis ini cenderung memiliki performa yang buruk pada data yang tidak terlihat.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Namun jika modelnya terlalu sederhana, datanya <strong>akan diremehkan<\/strong> . Hal ini terjadi karena diasumsikan bahwa hubungan sebenarnya antara variabel penjelas dan variabel respon lebih sederhana dari yang sebenarnya.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Cara memilih model optimal dalam pembelajaran mesin adalah dengan menemukan keseimbangan antara bias dan varians untuk meminimalkan kesalahan pengujian model pada data yang tidak terlihat di masa mendatang.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Dalam praktiknya, cara paling umum untuk meminimalkan MSE pengujian adalah dengan menggunakan <a href=\"https:\/\/statorials.org\/id\/k-lipat-validasi-silang\/\" target=\"_blank\" rel=\"noopener noreferrer\">validasi silang<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Untuk mengevaluasi performa model pada kumpulan data, kita perlu mengukur seberapa cocok prediksi model tersebut dengan data observasi. Untuk model regresi , metrik yang paling umum digunakan adalah mean square error (MSE), yang dihitung sebagai berikut: MSE = (1\/n)*\u03a3(y saya \u2013 f(x saya )) 2 Emas: n: jumlah total observasi y i : Nilai respon [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Apa yang dimaksud dengan tradeoff bias-varians dalam pembelajaran mesin?<\/title>\n<meta name=\"description\" content=\"Tutorial ini memberikan penjelasan tentang tradeoff bias-varians dalam pembelajaran mesin, termasuk contohnya.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/id\/kompromi-varians-bias\/\" \/>\n<meta property=\"og:locale\" content=\"id_ID\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Apa yang dimaksud dengan tradeoff bias-varians dalam pembelajaran mesin?\" \/>\n<meta property=\"og:description\" content=\"Tutorial ini memberikan penjelasan tentang tradeoff bias-varians dalam pembelajaran mesin, termasuk contohnya.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/id\/kompromi-varians-bias\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T12:12:52+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/biais_variance1.png\" \/>\n<meta name=\"author\" content=\"Benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Ditulis oleh\" \/>\n\t<meta name=\"twitter:data1\" content=\"Benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Estimasi waktu membaca\" \/>\n\t<meta name=\"twitter:data2\" content=\"3 menit\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/id\/kompromi-varians-bias\/\",\"url\":\"https:\/\/statorials.org\/id\/kompromi-varians-bias\/\",\"name\":\"Apa yang dimaksud dengan tradeoff bias-varians dalam pembelajaran mesin?\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/id\/#website\"},\"datePublished\":\"2023-07-27T12:12:52+00:00\",\"dateModified\":\"2023-07-27T12:12:52+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\"},\"description\":\"Tutorial ini memberikan penjelasan tentang tradeoff bias-varians dalam pembelajaran mesin, termasuk contohnya.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/id\/kompromi-varians-bias\/#breadcrumb\"},\"inLanguage\":\"id\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/id\/kompromi-varians-bias\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/id\/kompromi-varians-bias\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/statorials.org\/id\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Apa yang dimaksud dengan tradeoff bias-varians dalam pembelajaran mesin?\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/id\/#website\",\"url\":\"https:\/\/statorials.org\/id\/\",\"name\":\"Statorials\",\"description\":\"Panduan anda untuk kompetensi statistik!\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/id\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"id\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81\",\"name\":\"Benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"id\",\"@id\":\"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Benjamin anderson\"},\"description\":\"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya\",\"sameAs\":[\"http:\/\/statorials.org\/id\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Apa yang dimaksud dengan tradeoff bias-varians dalam pembelajaran mesin?","description":"Tutorial ini memberikan penjelasan tentang tradeoff bias-varians dalam pembelajaran mesin, termasuk contohnya.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/id\/kompromi-varians-bias\/","og_locale":"id_ID","og_type":"article","og_title":"Apa yang dimaksud dengan tradeoff bias-varians dalam pembelajaran mesin?","og_description":"Tutorial ini memberikan penjelasan tentang tradeoff bias-varians dalam pembelajaran mesin, termasuk contohnya.","og_url":"https:\/\/statorials.org\/id\/kompromi-varians-bias\/","og_site_name":"Statorials","article_published_time":"2023-07-27T12:12:52+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/biais_variance1.png"}],"author":"Benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Ditulis oleh":"Benjamin anderson","Estimasi waktu membaca":"3 menit"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/id\/kompromi-varians-bias\/","url":"https:\/\/statorials.org\/id\/kompromi-varians-bias\/","name":"Apa yang dimaksud dengan tradeoff bias-varians dalam pembelajaran mesin?","isPartOf":{"@id":"https:\/\/statorials.org\/id\/#website"},"datePublished":"2023-07-27T12:12:52+00:00","dateModified":"2023-07-27T12:12:52+00:00","author":{"@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81"},"description":"Tutorial ini memberikan penjelasan tentang tradeoff bias-varians dalam pembelajaran mesin, termasuk contohnya.","breadcrumb":{"@id":"https:\/\/statorials.org\/id\/kompromi-varians-bias\/#breadcrumb"},"inLanguage":"id","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/id\/kompromi-varians-bias\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/id\/kompromi-varians-bias\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/statorials.org\/id\/"},{"@type":"ListItem","position":2,"name":"Apa yang dimaksud dengan tradeoff bias-varians dalam pembelajaran mesin?"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/id\/#website","url":"https:\/\/statorials.org\/id\/","name":"Statorials","description":"Panduan anda untuk kompetensi statistik!","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/id\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"id"},{"@type":"Person","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/3d17a1160dd2d052b7c78e502cb9ec81","name":"Benjamin anderson","image":{"@type":"ImageObject","inLanguage":"id","@id":"https:\/\/statorials.org\/id\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/id\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Benjamin anderson"},"description":"Halo, saya Benjamin, pensiunan profesor statistika yang menjadi guru Statorial yang berdedikasi. Dengan pengalaman dan keahlian yang luas di bidang statistika, saya ingin berbagi ilmu untuk memberdayakan mahasiswa melalui Statorials. Baca selengkapnya","sameAs":["http:\/\/statorials.org\/id"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1150"}],"collection":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/comments?post=1150"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/posts\/1150\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/media?parent=1150"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/categories?post=1150"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/id\/wp-json\/wp\/v2\/tags?post=1150"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}