Section Evaluasi dan Validasi Model berisi materi 9 chapter. Bangun kepercayaan pada model: skema pembagian data, cross-validation, confusion matrix, metrik lengkap, ROC-AUC, learning curve, dan bias-variance tradeoff.

# Prinsip Evaluasi Model

Pahami mengapa akurasi latih tidak cukup dan tujuan evaluasi yang sesungguhnya.

Buka → # Train-Test Split dan Holdout

Sisihkan data uji yang tidak pernah disentuh selama pengembangan model.

Buka → # Cross-Validation

Estimasi performa yang lebih stabil dengan KFold, StratifiedKFold, dan cross_validate.

Buka → # Confusion Matrix

Bedah prediksi benar dan salah ke dalam empat sel untuk kasus biner.

Buka → # Precision, Recall, dan F1-Score

Ukur kualitas model pada kelas positif ketika biaya kesalahan asimetris.

Buka → # ROC Curve dan AUC

Baca kurva ROC dan luas AUC untuk menilai model di seluruh ambang keputusan.

Buka → # Memilih Metrik yang Tepat

Hubungkan biaya bisnis nyata dengan pemilihan metrik evaluasi yang relevan.

Buka → # Learning Curve

Diagnosis kekurangan data atau kapasitas model lewat kurva pembelajaran.

Buka → # Bias-Variance Tradeoff

Pahami kompromi fundamental yang menjelaskan perilaku semua model.

Buka →