<\/p>\n
Untuk mengevaluasi performa suatu model pada kumpulan data, kita perlu mengukur seberapa cocok prediksi yang dibuat oleh model tersebut dengan data yang diamati.<\/span><\/p>\n Metode yang umum digunakan untuk melakukan hal ini dikenal sebagai Leave-One-Out Cross-Validation (LOOCV)<\/a> , yang menggunakan pendekatan berikut:<\/span><\/p>\n 1.<\/strong> Pisahkan kumpulan data menjadi kumpulan pelatihan dan kumpulan pengujian, dengan menggunakan semua kecuali satu observasi sebagai bagian dari kumpulan pelatihan.<\/span><\/p>\n 2.<\/strong> Buat model hanya dengan menggunakan data dari set pelatihan.<\/span><\/p>\n 3.<\/strong> Gunakan model untuk memprediksi nilai respon observasi yang dikeluarkan dari model dan menghitung mean square error (MSE).<\/span><\/p>\n 4.<\/strong> Ulangi proses ini sebanyak n<\/em> kali. Hitung UMK tes sebagai rata-rata dari semua UMK tes.<\/span><\/p>\n Tutorial ini memberikan contoh langkah demi langkah tentang cara menjalankan LOOCV untuk model tertentu dengan Python.<\/span><\/p>\n Pertama, kita akan memuat fungsi dan perpustakaan yang diperlukan untuk contoh ini:<\/span><\/p>\n Selanjutnya, kita akan membuat pandas DataFrame yang berisi dua variabel prediktor, x1<\/sub> dan x2<\/sub> , dan satu variabel respons y.<\/span><\/p>\n Selanjutnya, kita akan menyesuaikan model regresi linier berganda<\/a> ke kumpulan data dan melakukan LOOCV untuk mengevaluasi performa model.<\/span><\/p>\n Dari hasilnya terlihat mean absolute error (MAE) adalah 3.146<\/strong> . Artinya, rata-rata kesalahan absolut antara prediksi model dan data observasi sebenarnya adalah 3,146.<\/span><\/p>\n Secara umum, semakin rendah MAE, semakin baik suatu model mampu memprediksi observasi aktual.<\/span><\/p>\n Metrik lain yang umum digunakan untuk mengevaluasi kinerja model adalah root mean square error (RMSE). Kode berikut menunjukkan cara menghitung metrik ini menggunakan LOOCV:<\/span><\/p>\n Dari hasilnya terlihat bahwa root mean square error (RMSE) adalah 3,619<\/strong> . Semakin rendah RMSE, semakin baik suatu model mampu memprediksi observasi aktual.<\/span><\/p>\n Dalam praktiknya, kami biasanya menyesuaikan beberapa model berbeda dan membandingkan RMSE atau MAE masing-masing model untuk memutuskan model mana yang menghasilkan tingkat kesalahan pengujian terendah dan oleh karena itu merupakan model terbaik untuk digunakan.<\/span><\/p>\n Pengantar Singkat tentang Validasi Silang Tinggalkan Satu Keluar (LOOCV)<\/a> Untuk mengevaluasi performa suatu model pada kumpulan data, kita perlu mengukur seberapa cocok prediksi yang dibuat oleh model tersebut dengan data yang diamati. Metode yang umum digunakan untuk melakukan hal ini dikenal sebagai Leave-One-Out Cross-Validation (LOOCV) , yang menggunakan pendekatan berikut: 1. Pisahkan kumpulan data menjadi kumpulan pelatihan dan kumpulan pengujian, dengan menggunakan semua kecuali […]<\/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":"\n Langkah 1: Muat Perpustakaan yang Diperlukan<\/strong><\/span><\/h3>\n
from<\/span> sklearn. model_selection<\/span> import<\/span> train_test_split\nfrom<\/span> sklearn. model_selection<\/span> import<\/span> LeaveOneOut\nfrom<\/span> sklearn. model_selection<\/span> import<\/span> cross_val_score\nfrom<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\nfrom<\/span> numpy import<\/span> means\nfrom<\/span> numpy import<\/span> absolute\nfrom<\/span> numpy import<\/span> sqrt\nimport<\/span> pandas as<\/span> pd\n<\/strong><\/span><\/pre>\n Langkah 2: Buat datanya<\/strong><\/span><\/h3>\n
df = pd.DataFrame({' y<\/span> ': [6, 8, 12, 14, 14, 15, 17, 22, 24, 23],\n ' x1<\/span> ': [2, 5, 4, 3, 4, 6, 7, 5, 8, 9],\n ' x2<\/span> ': [14, 12, 12, 13, 7, 8, 7, 4, 6, 5]})\n<\/strong><\/span><\/pre>\n Langkah 3: Lakukan Validasi Silang Tinggalkan Satu Keluar<\/strong><\/span><\/h3>\n
#define predictor and response variables\n<\/span>X = df[[' x1<\/span> ', ' x2<\/span> ']]\ny = df[' y<\/span> ']\n\n#define cross-validation method to use\n<\/span>cv = LeaveOneOut()\n\n#build multiple linear regression model\n<\/span>model = LinearRegression()\n\n#use LOOCV to evaluate model\n<\/span>scores = cross_val_score(model, X, y, scoring=' neg_mean_absolute_error<\/span> ',\n cv=cv, n_jobs=-1)\n\n#view mean absolute error\n<\/span>mean(absolute(scores))\n\n3.1461548083469726\n<\/strong><\/span><\/pre>\n #define predictor and response variables\n<\/span>X = df[[' x1<\/span> ', ' x2<\/span> ']]\ny = df[' y<\/span> ']\n\n#define cross-validation method to use\n<\/span>cv = LeaveOneOut()\n\n#build multiple linear regression model\n<\/span>model = LinearRegression()\n\n#use LOOCV to evaluate model\n<\/span>scores = cross_val_score(model, X, y, scoring=' neg_mean_squared_error<\/span> ',\n cv=cv, n_jobs=-1)\n\n#view RMSE\n<\/span>sqrt(mean(absolute(scores)))\n\n3.619456476385567<\/strong><\/span><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Panduan Lengkap Regresi Linier dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"