<\/p>\n
Saat kami menggunakan model klasifikasi<\/a> dalam pembelajaran mesin, kami menggunakan tiga metrik umum untuk mengevaluasi kualitas model:<\/span><\/p>\n 1. Akurasi<\/strong> : Persentase prediksi positif yang benar dibandingkan total prediksi positif.<\/span><\/p>\n 2. Ingat<\/strong> : Persentase prediksi positif yang benar dibandingkan dengan total positif aktual.<\/span><\/p>\n 3. Skor F1<\/strong> : Rata-rata harmonik tertimbang dari presisi dan perolehan. Semakin mendekati angka 1 maka model tersebut semakin baik.<\/span><\/p>\n Dengan menggunakan ketiga metrik ini, kita dapat memahami seberapa baik model klasifikasi tertentu mampu memprediksi hasil untuk variabel respons<\/a> tertentu.<\/span><\/span><\/p>\n Untungnya, saat memasang model klasifikasi dengan Python, kita dapat menggunakan fungsi classification_report()<\/strong> dari pustaka sklearn<\/strong> untuk menghasilkan ketiga metrik ini.<\/span><\/p>\n Contoh berikut menunjukkan cara menggunakan fungsi ini dalam praktiknya.<\/span><\/p>\n Untuk contoh ini, kami akan menggunakan model regresi logistik yang menggunakan poin dan bantuan untuk memprediksi apakah 1.000 pemain bola basket perguruan tinggi akan direkrut ke NBA atau tidak.<\/span><\/p>\n Pertama, kita akan mengimpor paket yang diperlukan untuk melakukan regresi logistik dengan Python:<\/span><\/p>\n Selanjutnya kita akan membuat data frame yang berisi informasi 1000 pemain bola basket:<\/span><\/p>\n Catatan<\/strong> : Nilai 0<\/strong> menunjukkan bahwa seorang pemain belum direkrut, sedangkan nilai 1<\/strong> menunjukkan bahwa seorang pemain telah direkrut.<\/span><\/p>\n Selanjutnya, kita akan membagi data menjadi set pelatihan dan set pengujian dan menyesuaikan dengan model regresi logistik:<\/span><\/p>\n Terakhir, kita akan menggunakan fungsi classification_report()<\/strong> untuk mencetak metrik klasifikasi model kita:<\/span><\/p>\n Berikut cara menafsirkan hasilnya:<\/span><\/p>\n Klarifikasi<\/strong> : dari semua pemain yang modelnya diprediksi akan direkrut, hanya 43%<\/strong> yang benar-benar masuk.<\/span><\/p>\n Pengingat<\/strong> : di antara semua pemain yang benar-benar direkrut, model hanya memprediksi dengan tepat hasil ini untuk 36%<\/strong> dari mereka.<\/span><\/p>\n Skor F1<\/strong> : Nilai ini dihitung sebagai berikut:<\/span><\/p>\n Karena nilai ini tidak terlalu mendekati 1, hal ini menunjukkan bahwa model tersebut kurang dapat memprediksi apakah pemain akan direkrut atau tidak.<\/span><\/p>\n Dukungan<\/strong> : Nilai-nilai ini hanya memberi tahu kita berapa banyak pemain yang termasuk dalam setiap kelas dalam kumpulan data pengujian. Kita dapat melihat bahwa dari pemain dalam kumpulan data pengujian, 160<\/strong> pemain belum direkrut dan 140<\/strong> pemain belum direkrut.<\/span><\/p>\n Catatan<\/strong> : Anda dapat menemukan dokumentasi lengkap untuk fungsi classification_report()<\/strong> di sini<\/a> .<\/span><\/p>\n Tutorial berikut memberikan informasi tambahan tentang penggunaan model klasifikasi dengan Python:<\/span><\/p>\n Cara Melakukan Regresi Logistik dengan Python<\/a> Saat kami menggunakan model klasifikasi dalam pembelajaran mesin, kami menggunakan tiga metrik umum untuk mengevaluasi kualitas model: 1. Akurasi : Persentase prediksi positif yang benar dibandingkan total prediksi positif. 2. Ingat : Persentase prediksi positif yang benar dibandingkan dengan total positif aktual. 3. Skor F1 : Rata-rata harmonik tertimbang dari presisi dan perolehan. Semakin mendekati […]<\/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
Contoh: Cara menggunakan laporan klasifikasi di sklearn<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd\nimport<\/span> numpy as<\/span> np\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> classification_report<\/strong>\n<\/pre>\n #make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (1)\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' points<\/span> ': np. random<\/span> . randint<\/span> (30, size=1000),\n ' assists<\/span> ': np. random<\/span> . randint<\/span> (12, size=1000),\n ' drafted<\/span> ': np. random<\/span> . randint<\/span> (2, size=1000)})\n\n#view DataFrame\n<\/span>df. head<\/span> ()\n\n\tpoints assists drafted\n0 5 1 1\n1 11 8 0\n2 12 4 1\n3 8 7 0\n4 9 0 0\n<\/strong><\/span><\/pre>\n #define the predictor variables and the response variable\n<\/span>X = df[[' points<\/span> ', ' assists<\/span> ']]\ny = df[' drafted<\/span> ']\n\n#split the dataset into training (70%) and testing (30%) sets\n<\/span>X_train,X_test,y_train,y_test = train_test_split<\/span> (X,y,test_size=0.3,random_state=0) \n\n<\/strong>#instantiate the model\n<\/span>logistic_regression = LogisticRegression()\n\n#fit the model using the training data\n<\/span>logistic_regression. fit<\/span> (X_train,y_train)\n\n#use model to make predictions on test data\n<\/span>y_pred = logistic_regression. predict<\/span> (X_test)<\/strong><\/pre>\n #print classification report for model\nprint<\/span> (classification_report(y_test, y_pred))\n\n precision recall f1-score support\n\n 0 0.51 0.58 0.54 160\n 1 0.43 0.36 0.40 140\n\n accuracy 0.48 300\n macro avg 0.47 0.47 0.47 300\nweighted avg 0.47 0.48 0.47 300\n<\/span><\/span><\/strong><\/pre>\n\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara Membuat Matriks Kebingungan dengan Python<\/a>
Cara menghitung presisi seimbang dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"