Silabus Pelajaran 91 dari 250 · Model Machine Learning Pertama Kamu
Model Machine Learning Pertama Kamu

Mengevaluasi Model: Akurasi dan Kesalahan

Model

A tidak berguna sampai kamu bisa menjelaskan seberapa bagus model itu. Skor yang tepat tergantung pada apa yang kamu prediksi.

Klasifikasi: akurasi

Saat label berupa kategori (spam atau bukan, spesies A/B/C), skor paling sederhana adalah accuracy: bagian dari prediksi yang benar.

from sklearn.metrics import accuracy_score

acc = accuracy_score(y_true, y_pred)   # e.g. 0.875 means 7 of 8 right

Akurasi berjalan dari 0 sampai 1. Tapi "bagus" itu relatif. Jika 95 persen email bukan spam, model malas yang selalu menebak "not spam" sudah mendapat skor 0.95 padahal tidak menangkap spam sama sekali. Selalu bandingkan dengan baseline naif seperti itu sebelum merayakan sebuah angka.

Regression: error

Saat label berupa angka kontinu (harga, suhu), akurasi tidak masuk akal karena kamu hampir tidak pernah bisa memprediksi nilai yang tepat. Sebagai gantinya, kamu mengukur seberapa jauh melesetnya hasilmu. Pilihan umum adalah mean absolute error, yaitu rata-rata besarnya kesalahan:

from sklearn.metrics import mean_absolute_error

mae = mean_absolute_error(y_true, y_pred)   # in the same units as y

MAE ada dalam unit label itu sendiri, jadi mudah dibaca: MAE sebesar 12 pada harga rumah dalam ribuan berarti kamu meleset sekitar 12k rata-rata. Semakin rendah semakin baik, dan 0 adalah sempurna.

Kamu akan menghitung keduanya: akurasi dari prediksi yang diberikan, dan MAE dari kecocokan regresi linear kecil pada garis lurus sempurna (jadi kesalahannya seharusnya hampir nol).

Giliranku

Bagian 1: array y_true dan y_pred (masing-masing 8 label, berbeda di satu titik saja) diberikan. Atur acc = accuracy_score(y_true, y_pred). Bagian 2: X dan target menjelaskan garis y = 2x. Pasang LinearRegression bernama reg pada mereka, prediksi pada X ke dalam reg_pred, lalu atur mae = mean_absolute_error(target, reg_pred).

Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini

Latihan ini akan segera dibuka

Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.