Tugas Pertemuan 5 - Rangkuman Materi Pertemuan 5 Tentang Evaluasi Dan Validasi

 

Nama : Epul Saepuloh
NIM : 15200030
Kelas : 15.5B.07
Mata Kuliah : Machine Learning
Tugas : Pertemuan 5

Task :

 ▪ Buat Postingan baru di Website atau Blog Pribadi yang anda buat di menu Pembelajaran Mesin

 ▪ Upload rangkuman materi pertemuan 5 tentang evaluasi dan validasi yang terdiri dari: 

1. Proses Machine Learning 

2. Evaluasi 

3. RMSE/Root Mean Square Error

4. Confusion Matrix 

5. Kurva AUC

6. Validasi 

7. Cross Validation

Jawaban :

1. Proses Machine Learning

Alur kerja machine learning mencakup memilih data dengan memisahkannya menjadi training data, validation data, test data. Kemudian membangun, memvalidasi, dan menguji model berdasarkan tiga bagian data tersebut.

2. Evaluasi 

Evaluasi model machine learning dengan train/test split cocok digunakan untuk dataset yang berukuran besar. Seperti yang kita ketahui, train/test split membagi dataset menjadi train set dan test set,  atau dengan kata lain, data yang digunakan untuk proses training dan testing merupakan kumpulan data yang berbeda.

3. RMSE/Root Mean Square Error

Root Mean Square Error (RMSE) adalah standar deviasi dari residual ( kesalahan prediksi ). Residual adalah ukuran seberapa jauh dari titik data garis regresi; RMSE adalah ukuran seberapa menyebar residu ini. Dengan kata lain, ini memberi tahu Anda seberapa terkonsentrasi data di sekitar garis yang paling cocok . Root mean square error biasanya digunakan dalam klimatologi, peramalan, dan analisis regresi untuk memverifikasi hasil eksperimen.

4. Confusion Matrix 

Matriks konfusi adalah matriks yang digunakan untuk menentukan kinerja model klasifikasi untuk sekumpulan data uji yang diberikan. Itu hanya dapat ditentukan jika nilai sebenarnya untuk data uji diketahui. Matriks itu sendiri dapat dengan mudah dipahami, tetapi terminologi terkait mungkin membingungkan. Karena menampilkan error pada performansi model dalam bentuk matriks, maka disebut juga error matrix .

5. Kurva AUC

AUC membuat kita mudah dalam membandingkan model satu dengan yang lainnya. AUC adalah luas area di bawah curve ROC, atau integral dari fungsi ROC (?).

6.Validasi 

Validasi model adalah mengukur kinerja model dengan menghitung segala bentuk tingkat kesalahan prediksi pada model. Tujuannya adalah dengan mengetahui kinerja model dapat membantu kita untuk mengoptimalkan parameter pada model itu sendiri sehingga model jauh lebih akurat. Selain itu validasi dilakukan untuk mendapatkan feedback dari analisa yang dilakukan.

7. Cross Validation

Validasi silang adalah metode statistik yang digunakan untuk memperkirakan kinerja model pembelajaran mesin . Ini adalah metode untuk menilai bagaimana hasil analisis statistik akan digeneralisasi ke kumpulan data independen