Akurasi<\/strong> : Benar prediksi positif relatif terhadap total prediksi positif.<\/span><\/p>\n Ini dihitung sebagai berikut:<\/span><\/p>\n Pengingat<\/strong> : Mengoreksi prediksi positif terhadap total positif aktual<\/span><\/p>\n Ini dihitung sebagai berikut:<\/span><\/p>\n Untuk memvisualisasikan presisi dan perolehan model tertentu, kita dapat membuat kurva presisi-recall<\/strong> .<\/span> Kurva ini menunjukkan trade-off antara presisi dan perolehan untuk ambang batas yang berbeda.<\/span> <\/p>\n Contoh langkah demi langkah berikut menunjukkan cara membuat kurva penarikan presisi untuk model regresi logistik dengan Python.<\/span><\/p>\n Pertama, kami akan mengimpor paket yang diperlukan:<\/span><\/p>\n Selanjutnya, kita akan membuat kumpulan data dan menyesuaikan model regresi logistik ke dalamnya:<\/span><\/p>\n Selanjutnya, kita akan menghitung presisi dan perolehan model serta membuat kurva perolehan presisi:<\/span> <\/p>\n Sumbu x menunjukkan perolehan dan sumbu y menunjukkan presisi untuk ambang batas yang berbeda.<\/span><\/p>\n Perhatikan bahwa seiring bertambahnya perolehan, presisi menurun.<\/span><\/p>\n Ini mewakili kompromi antara kedua metrik tersebut. Untuk meningkatkan perolehan model kita, presisi harus diturunkan dan sebaliknya.<\/span><\/p>\n Cara Melakukan Regresi Logistik dengan Python<\/a> Saat menggunakan model klasifikasi dalam pembelajaran mesin, dua metrik yang sering kita gunakan untuk mengevaluasi kualitas model adalah presisi dan perolehan. Akurasi : Benar prediksi positif relatif terhadap total prediksi positif. Ini dihitung sebagai berikut: Akurasi = Positif Benar \/ (Positif Benar + Positif Palsu) Pengingat : Mengoreksi prediksi positif terhadap total positif aktual Ini […]<\/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\n
\n
![\"Kurva](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/precisionrecall2.png\")
<\/p>\n Langkah 1: Impor paket
<\/strong><\/span><\/h3>\n from<\/span> sklearn import<\/span> datasets\nfrom<\/span> sklearn. model_selection<\/span> import<\/span> train_test_split\nfrom<\/span> sklearn. linear_model<\/span> import<\/span> LogisticRegression\nfrom<\/span> sklearn. metrics<\/span> import<\/span> precision_recall_curve\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n<\/strong><\/pre>\n Langkah 2: Sesuaikan model regresi logistik<\/strong><\/span><\/h3>\n
#create dataset with 5 predictor variables\n<\/span>X, y = datasets. make_classification<\/span> (n_samples= 1000<\/span> ,\n n_features= 4<\/span> ,\n n_informative= 3<\/span> ,\n n_redundant= 1<\/span> ,\n random_state= 0<\/span> )\n\n#split dataset into training and testing set\n<\/span>X_train, X_test, y_train, y_test = train_test_split(X, y, test_size= .3<\/span> , random_state= 0<\/span> )\n\n#fit logistic regression model to dataset\n<\/span>classifier = LogisticRegression()\nclassify. fit<\/span> (X_train, y_train)\n\n#use logistic regression model to make predictions\n<\/span>y_score = classify. predict_proba<\/span> (X_test)[:, 1<\/span> ]<\/strong><\/span><\/pre>\n Langkah 3: Buat kurva perolehan presisi<\/strong><\/span><\/h3>\n
#calculate precision and recall\n<\/span>precision, recall, thresholds = precision_recall_curve(y_test, y_score)\n\n#create precision recall curve\n<\/span>fig, ax = plt. subplots<\/span> ()\nax. plot<\/span> (recall, precision, color=' purple<\/span> ')\n\n#add axis labels to plot\n<\/span>ax. set_title<\/span> (' Precision-Recall Curve<\/span> ')\nax. set_ylabel<\/span> (' Precision<\/span> ')\nax. set_xlabel<\/span> (' Recall<\/span> ')\n\n#displayplot<\/span>\nplt. show<\/span> ()<\/strong><\/span> <\/pre>\n<\/p>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara Membuat Matriks Kebingungan dengan Python<\/a>
Cara Menafsirkan Kurva ROC (dengan Contoh)<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"