Mengevaluasi banyak model

Supervised Learning dengan scikit-learn

George Boorman

Core Curriculum Manager, DataCamp

Model berbeda untuk masalah berbeda

Beberapa prinsip panduan

Ukuran dataset
- Lebih sedikit fitur = model lebih sederhana, pelatihan lebih cepat
- Beberapa model butuh data besar agar kinerjanya baik
Interpretabilitas
- Sebagian model lebih mudah dijelaskan, penting bagi pemangku kepentingan
- Linear regression sangat mudah diinterpretasi karena koefisiennya dapat dipahami
Fleksibilitas
- Dapat meningkatkan akurasi dengan asumsi lebih sedikit tentang data
- KNN lebih fleksibel, tidak mengasumsikan hubungan linear

Semua soal metrik

Kinerja model regresi:
- RMSE
- R-squared
Kinerja model klasifikasi:
- Akurasi
- Confusion matrix
- Precision, recall, F1-score
- ROC AUC
Latih beberapa model dan evaluasi performanya langsung

Catatan tentang penskalaan

Model yang terpengaruh skala:
- KNN
- Linear Regression (serta Ridge, Lasso)
- Logistic Regression
- Artificial Neural Network

Sebaiknya skala data sebelum mengevaluasi model

Mengevaluasi model klasifikasi

import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import cross_val_score, KFold, train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier

X = music.drop("genre", axis=1).values
y = music["genre"].values
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)

scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)

X_test_scaled = scaler.transform(X_test)

Mengevaluasi model klasifikasi

models = {"Logistic Regression": LogisticRegression(), "KNN": KNeighborsClassifier(), 
         "Decision Tree": DecisionTreeClassifier()}
results = []

for model in models.values():

     kf = KFold(n_splits=6, random_state=42, shuffle=True)

     cv_results = cross_val_score(model, X_train_scaled, y_train, cv=kf)

     results.append(cv_results)

plt.boxplot(results, labels=models.keys())
plt.show()

Memvisualisasikan hasil

Boxplot akurasi untuk tiap model: Logistic Regression, KNN, dan Decision Tree

Performa pada test set

for name, model in models.items():

  model.fit(X_train_scaled, y_train)

  test_score = model.score(X_test_scaled, y_test)

  print("{} Test Set Accuracy: {}".format(name, test_score))

Logistic Regression Test Set Accuracy: 0.844
KNN Test Set Accuracy: 0.82
Decision Tree Test Set Accuracy: 0.832

Ayo berlatih!

Supervised Learning dengan scikit-learn