Untuk kedua metrik tersebut, semakin tinggi nilainya, semakin mampu suatu model mengklasifikasikan observasi ke dalam kelas-kelas.<\/span><\/p>\n Namun, setiap metrik dihitung menggunakan rumus yang berbeda dan terdapat kelebihan dan kekurangan dalam menggunakannya.<\/span><\/p>\n Contoh berikut menunjukkan cara menghitung setiap metrik dalam praktiknya.<\/span><\/p>\n Misalkan kita menggunakan model regresi logistik untuk memprediksi apakah 400 pemain bola basket perguruan tinggi yang berbeda akan direkrut ke NBA atau tidak.<\/span><\/p>\n Matriks konfusi berikut merangkum prediksi yang dibuat oleh model:<\/span> <\/p>\n Berikut cara menghitung berbagai metrik untuk matriks konfusi:<\/span><\/p>\n Akurasi:<\/strong> prediksi positif yang benar relatif terhadap total prediksi positif<\/span><\/p>\n Pengingat:<\/strong> Perbaiki prediksi positif terhadap total positif aktual<\/span><\/p>\n Akurasi:<\/strong> persentase seluruh observasi yang diklasifikasikan dengan benar<\/span><\/p>\n Skor F1:<\/strong> rata-rata harmonik antara presisi dan perolehan<\/span><\/p>\n Ada pro dan kontra dalam penggunaan skor dan akurasi F1.<\/span><\/p>\n Akurasi<\/strong> :<\/span><\/p>\n Kelebihan<\/strong> : Mudah diinterpretasikan. Jika kita mengatakan bahwa suatu model memiliki akurasi 90%, kita tahu bahwa model tersebut telah mengklasifikasikan 90% observasi dengan benar.<\/span><\/p>\n Kekurangan<\/strong> : Tidak memperhitungkan bagaimana data didistribusikan. Misalnya, asumsikan bahwa 90% dari seluruh pemain tidak direkrut ke dalam NBA. Jika kita memiliki model yang hanya memperkirakan bahwa setiap pemain tidak akan direkrut, model tersebut akan memprediksi dengan tepat hasil untuk 90% pemain. Nilai tersebut terkesan tinggi, namun model tersebut sebenarnya tidak mampu memprediksi dengan tepat pemain mana yang akan direkrut.<\/span><\/p>\n Hasil F1<\/strong> :<\/span><\/p>\n Pro<\/strong> : Pertimbangkan bagaimana data didistribusikan. Misalnya, jika data sangat tidak seimbang (misalnya 90% dari seluruh pemain belum direkrut dan 10% belum direkrut), maka skor F1 akan memberikan penilaian yang lebih baik terhadap performa model.<\/span><\/p>\n Kekurangan<\/strong> : Lebih sulit untuk ditafsirkan. Skor F1 merupakan perpaduan antara presisi dan perolehan model, sehingga sedikit lebih sulit untuk ditafsirkan.<\/span><\/p>\n Umumnya:<\/span><\/p>\n Kita sering menggunakan akurasi<\/strong> ketika kelas seimbang dan tidak ada kerugian besar dalam memprediksi negatif palsu.<\/span><\/p>\n Kami sering menggunakan skor F1<\/strong> ketika kelas tidak seimbang dan terdapat kelemahan serius dalam memprediksi negatif palsu.<\/span><\/p>\n Misalnya, jika kita menggunakan model regresi logistik untuk memprediksi apakah seseorang mengidap kanker atau tidak, hasil negatif palsu sangatlah buruk (misalnya memprediksi bahwa seseorang tidak mengidap kanker padahal mereka benar-benar mengidap kanker a) sehingga skor F1 akan menghukum model yang mengidap kanker. terlalu banyak negatif palsu. lebih dari presisi.<\/span><\/p>\n Regresi vs. klasifikasi: apa bedanya?<\/a> Saat menggunakan model klasifikasi dalam pembelajaran mesin, dua metrik yang sering kita gunakan untuk mengevaluasi kualitas model adalah skor F1 dan akurasi . Untuk kedua metrik tersebut, semakin tinggi nilainya, semakin mampu suatu model mengklasifikasikan observasi ke dalam kelas-kelas. Namun, setiap metrik dihitung menggunakan rumus yang berbeda dan terdapat kelebihan dan kekurangan dalam menggunakannya. Contoh […]<\/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 Contoh: Perhitungan skor dan akurasi F1<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/\u1405-\u1405-\u1405.png\")
<\/p>\n\n
\n
\n
\n
Kapan menggunakan skor F1 versus akurasi<\/strong><\/span><\/h3>\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Pengantar Regresi Logistik<\/a>
Bagaimana melakukan regresi logistik di R
Cara Melakukan Regresi Logistik dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"