Memahami Ketepatan dalam Model Pembelajaran Mesin

Ketepatan merujuk kepada sejauh mana ramalan model sepadan dengan nilai sebenar. Ia adalah ukuran perbezaan antara output yang diramalkan dan output sebenar. Dalam erti kata lain, ia mengukur sejauh mana model dapat meramalkan output yang betul untuk input yang diberikan.

Terdapat beberapa cara untuk mengukur ketepatan, termasuk:

1. Min Ralat Mutlak (MAE): Ini mengukur perbezaan purata antara nilai yang diramalkan dan sebenar. Nilai yang lebih rendah menunjukkan ketepatan yang lebih tinggi.
2. Ralat Kuasa Dua Min (MSE): Ini mengukur purata perbezaan kuasa dua antara nilai yang diramalkan dan sebenar. Nilai yang lebih rendah menunjukkan ketepatan yang lebih tinggi.
3. Root Mean Squared Error (RMSE): Ini serupa dengan MSE, tetapi ia dikira sebagai punca kuasa dua MSE. Nilai yang lebih rendah menunjukkan ketepatan yang lebih tinggi.
4. Min Ralat Peratusan Mutlak (MAPE): Ini mengukur purata perbezaan mutlak antara nilai yang diramalkan dan nilai sebenar sebagai peratusan nilai sebenar. Nilai yang lebih rendah menunjukkan ketepatan yang lebih tinggi.
5. R-kuadrat: Ini mengukur perkadaran variasi dalam pembolehubah bersandar yang dijelaskan oleh pembolehubah tidak bersandar. Nilai yang lebih tinggi menunjukkan kesesuaian model yang lebih baik dengan data.
6. Skor F1: Ini adalah ukuran keseimbangan antara ketepatan dan ingat semula. Ia ialah min harmonik bagi ketepatan dan ingatan semula, dan ia berjulat dari 0 (terburuk) hingga 1 (terbaik).
7. Ketepatan: Ini mengukur perkadaran positif benar antara semua ramalan positif. Nilai yang lebih tinggi menunjukkan keupayaan yang lebih baik untuk membezakan antara kes positif dan negatif.
8. Ingat: Ini mengukur perkadaran positif benar antara semua kes positif sebenar. Nilai yang lebih tinggi menunjukkan keupayaan yang lebih baik untuk mengesan semua kes positif.

Adalah penting untuk ambil perhatian bahawa tiada satu pun ukuran ketepatan yang sempurna untuk setiap situasi, dan langkah yang berbeza mungkin lebih sesuai bergantung pada masalah khusus yang sedang diselesaikan.