Modul evaluasi menunjukkan kelemahan accuracy pada data tidak seimbang dan menyediakan alat ukur yang lebih jujur: confusion matrix, precision, recall, F1, serta ROC dan AUC. Topik penutup membahas penanganan ketidakseimbangan kelas dengan class_weight dan kesadaran resampling. Setelah modul ini, pemilihan metrik menjadi keputusan yang disengaja, bukan pilihan bawaan.
Evaluasi
Metrik klasifikasi yang jujur: confusion matrix, precision, recall, F1, dan ROC.
0/0 selesai
- Batas-Batas Accuracy
Ketidakseimbangan kelas membuat accuracy berbohong.
- Confusion Matrix
TP, FP, FN, TN beserta konsekuensi nyatanya.
- Precision, Recall, dan F1
Memilih kompromi antara presisi dan cakupan.
- ROC dan AUC
Kurva ROC, threshold, dan ukuran kualitas yang bebas threshold.
- Penanganan Ketidakseimbangan Kelas
class_weight dan kesadaran resampling.