Presisi hanyalah persentase dari semua observasi yang diklasifikasikan dengan benar oleh model.<\/span><\/p>\n Ini dihitung sebagai berikut:<\/span><\/p>\n Akurasi = (# benar positif + # benar negatif) \/ (total ukuran sampel)<\/span><\/p>\n Pertanyaan yang sering ditanyakan siswa tentang akurasi adalah:<\/span><\/p>\n Apa yang dianggap sebagai nilai \u201cbaik\u201d untuk keakuratan model pembelajaran mesin?<\/strong><\/em><\/span><\/p>\n Meskipun akurasi suatu model dapat bervariasi antara 0% dan 100%, tidak ada ambang batas universal yang kami gunakan untuk menentukan apakah suatu model memiliki akurasi yang “baik” atau tidak.<\/span><\/p>\n Sebaliknya, kami biasanya membandingkan keakuratan model kami dengan model referensi.<\/span><\/strong><\/p>\n Model dasar hanya memprediksi bahwa setiap observasi dalam kumpulan data termasuk dalam kelas yang paling umum.<\/span><\/p>\n Dalam praktiknya, model klasifikasi apa pun dengan akurasi lebih tinggi daripada model referensi dapat dianggap “berguna”, namun tentunya semakin besar perbedaan akurasi antara model kita dan model referensi, semakin baik.<\/span><\/p>\n Contoh berikut menunjukkan cara menentukan secara kasar apakah suatu model klasifikasi memiliki akurasi yang “baik” atau tidak.<\/span><\/p>\n Misalkan kita menggunakan model regresi logistik<\/a> untuk memprediksi apakah 400 pemain bola basket perguruan tinggi yang berbeda akan direkrut ke NBA atau tidak.<\/span><\/p>\n Matriks konfusi<\/a> berikut merangkum prediksi yang dibuat oleh model:<\/span> <\/p>\n Berikut cara menghitung keakuratan model ini:<\/span><\/p>\n Model tersebut dengan tepat memprediksi hasil untuk 72,5%<\/strong> pemain.<\/span><\/p>\n Untuk mendapatkan gambaran apakah akurasinya \u201cbaik\u201d atau tidak, kita dapat menghitung akurasi model baseline.<\/span><\/p>\n Dalam contoh ini, hasil yang paling umum bagi pemain adalah hasil yang tidak direncanakan. Secara khusus, 240 dari 400 pemain tidak direkrut.<\/span><\/p>\n Model dasarnya adalah model yang hanya memprediksi bahwa setiap pemain tidak akan direkrut.<\/span><\/p>\n Keakuratan model ini akan dihitung sebagai berikut:<\/span><\/p>\n Model dasar ini akan memprediksi hasil dengan tepat untuk 60%<\/strong> pemain.<\/span><\/p>\n Dalam skenario ini, model regresi logistik kami memberikan peningkatan akurasi yang signifikan dibandingkan model dasar, jadi kami menganggap model kami setidaknya “berguna”.<\/span><\/p>\n Dalam praktiknya, kami mungkin akan menyesuaikan beberapa model klasifikasi yang berbeda dan memilih model akhir sebagai model yang memberikan peningkatan akurasi terbesar dibandingkan dengan model dasar.<\/span><\/p>\n Presisi adalah metrik yang umum digunakan karena mudah diinterpretasikan.<\/span><\/p>\n Misalnya, jika kita mengatakan bahwa suatu model memiliki akurasi 90%, kita tahu bahwa model tersebut telah mengklasifikasikan 90% observasi dengan benar.<\/span><\/p>\n Namun keakuratannya tidak memperhitungkan cara data didistribusikan.<\/span><\/p>\n Misalnya, asumsikan bahwa 90% dari seluruh pemain tidak direkrut ke dalam NBA.<\/span> Jika kita memiliki model yang hanya memperkirakan bahwa setiap pemain tidak akan direkrut, model tersebut akan memprediksi dengan tepat hasil untuk 90% pemain.<\/span><\/p>\n Nilai tersebut terkesan tinggi, namun model tersebut sebenarnya tidak mampu memprediksi dengan tepat pemain mana yang akan direkrut.<\/span><\/p>\n Metrik alternatif yang sering digunakan disebut Skor F1<\/strong> , yang memperhitungkan cara data didistribusikan.<\/span><\/p>\n 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 Pelajari lebih lanjut perbedaan antara akurasi dan skor F1 di sini<\/a> .<\/span><\/p>\n Tutorial berikut memberikan informasi tambahan tentang metrik yang digunakan dalam model klasifikasi pembelajaran mesin:<\/span><\/p>\n Apa yang dimaksud dengan akurasi seimbang?<\/a> Saat menggunakan model klasifikasi dalam pembelajaran mesin, salah satu metrik yang sering kita gunakan untuk mengevaluasi kualitas suatu model adalah akurasi . Presisi hanyalah persentase dari semua observasi yang diklasifikasikan dengan benar oleh model. Ini dihitung sebagai berikut: Akurasi = (# benar positif + # benar negatif) \/ (total ukuran sampel) Pertanyaan yang sering ditanyakan […]<\/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: Menentukan apakah suatu model memiliki akurasi yang \u201cbaik\u201d.<\/strong><\/span><\/h2>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/\u1405-\u1405-\u1405.png\")
<\/p>\n\n
\n
Tindakan Pencegahan dalam Menggunakan Akurasi untuk Mengevaluasi Kinerja Model<\/strong><\/span><\/h2>\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Apa yang dianggap sebagai skor F1 yang ‘bagus’?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"