{"id":2143,"date":"2023-07-23T12:36:51","date_gmt":"2023-07-23T12:36:51","guid":{"rendered":"https:\/\/statorials.org\/id\/kebingungan-matriks-python\/"},"modified":"2023-07-23T12:36:51","modified_gmt":"2023-07-23T12:36:51","slug":"kebingungan-matriks-python","status":"publish","type":"post","link":"https:\/\/statorials.org\/id\/kebingungan-matriks-python\/","title":{"rendered":"Cara membuat matriks kebingungan dengan python"},"content":{"rendered":"

<\/p>\n

\n

Regresi logistik<\/a> adalah jenis regresi yang dapat kita gunakan jika variabel responnya adalah biner.<\/span><\/p>\n

Cara umum untuk menilai kualitas model regresi logistik adalah dengan membuat matriks konfusi<\/strong> , yaitu tabel berukuran 2 \u00d7 2 yang menunjukkan nilai prediksi model versus nilai sebenarnya dari kumpulan data pengujian.<\/span> <\/p>\n

\"\"<\/p>\n

Untuk membuat matriks konfusi untuk model regresi logistik dengan Python, kita dapat menggunakan fungsi konfusi_matrix()<\/strong> dari paket sklearn<\/a> :<\/span><\/p>\n

 from<\/span> sklearn import<\/span> metrics\nmetrics.metrics. confusion_matrix<\/span> (y_actual, y_predicted)\n<\/strong><\/pre>\n
 Contoh berikut menunjukkan cara menggunakan fungsi ini untuk membuat matriks konfusi untuk model regresi logistik dengan Python.<\/span><\/p>\n
 Contoh: Membuat Matriks Kebingungan dengan Python<\/strong><\/span><\/h3>\n
 Misalkan kita memiliki dua tabel berikut yang berisi nilai aktual dari variabel respons serta nilai yang diprediksi oleh model regresi logistik:<\/span><\/p>\n
 #define array of actual values\n<\/span>y_actual = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1]\n\n#define array of predicted values\n<\/span>y_predicted = [0, 0, 1, 0, 0, 1, 1, 0, 0, 1, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1]\n<\/strong><\/pre>\n
 Kita dapat menggunakan fungsi konfusi_matrix()<\/strong> sklearn untuk membuat matriks konfusi untuk data ini:<\/span><\/p>\n
 from<\/span> sklearn import<\/span> metrics\n\n#create confusion matrix\n<\/span>c_matrix = metrics. confusion_matrix<\/span> (y_actual, y_predicted)\n\n#print confusion matrix\n<\/span>print<\/span> (c_matrix)\n\n[[6 4]\n [2 8]]<\/strong><\/pre>\n
 Jika mau, kita bisa menggunakan fungsi crosstab()<\/strong> panda untuk membuat matriks konfusi yang lebih menarik secara visual:<\/span><\/p>\n
 import<\/span> pandas as<\/span> pd\n\ny_actual = pd. Series<\/span> (y_actual, name=' Actual<\/span> ')\ny_predicted = pd. Series<\/span> (y_predicted, name=' Predicted<\/span> ')\n\n#create confusion matrix<\/span>\nprint<\/span> (pd. crosstab<\/span> (y_actual, y_predicted))\n\nPredicted 0 1\nCurrent         \n0 6 4\n1 2 8<\/strong><\/pre>\n
 Kolom menunjukkan nilai prediksi untuk variabel respon dan baris menunjukkan nilai sebenarnya.<\/span><\/p>\n
 Kita juga dapat menghitung akurasi, presisi, dan perolehan kembali menggunakan fungsi dalam paket sklearn:<\/span><\/p>\n
 #print accuracy of model\n<\/span>print<\/span> ( metrics.accuracy_score<\/span> (y_actual, y_predicted))\n\n0.7\n\n#print precision value of model\n<\/span>print<\/span> ( metrics.precision_score<\/span> (y_actual, y_predicted))\n\n0.667\n\n#print recall value of model\n<\/span>print<\/span> (metrics. recall_score<\/span> (y_actual, y_predicted))\n\n0.8\n<\/strong><\/pre>\n
 Berikut penyegaran singkat tentang akurasi, presisi, dan perolehan:<\/span><\/p>\n