Mendiagnosis Masalah Bias dan Varians

Machine Learning dengan Model Berbasis Pohon di Python

Elie Kawerk

Data Scientist

Mengestimasi Error Generalisasi

Bagaimana kita mengestimasi error generalisasi model?
Tidak bisa langsung karena:
- $f$ tidak diketahui,
- biasanya hanya ada satu dataset,
- noise tidak terduga.

Mengestimasi Error Generalisasi

Solusi:

bagi data menjadi latih dan uji,
latih $\hat{f}$ pada data latih,
evaluasi error $\hat{f}$ pada data uji yang belum terlihat.
error generalisasi $\hat{f} \approx$ error data uji $\hat{f}$.

Evaluasi Model yang Lebih Baik dengan Cross-Validation

Set uji tidak boleh disentuh sampai kita yakin atas kinerja $\hat{f}$.
Evaluasi $\hat{f}$ pada data latih: estimasi bias, $\hat{f}$ sudah melihat semua titik latih.
Solusi $\rightarrow$ Cross-Validation (CV):
- K-Fold CV,
- Hold-Out CV.

K-Fold CV

KFoldCV

K-Fold CV

Error CV

Mendiagnosis Masalah Varians

Jika $\hat{f}$ mengalami varians tinggi:

Error CV $\hat{f}$ > error data latih $\hat{f}$.

$\hat{f}$ disebut overfit pada data latih. Cara mengatasinya:
- kurangi kompleksitas model,
- mis: kurangi kedalaman maks, naikkan min sampel per daun, ...
- kumpulkan lebih banyak data, ..

Mendiagnosis Masalah Bias

Jika $\hat{f}$ mengalami bias tinggi:

Error CV $\hat{f} \approx$ error data latih $\hat{f} >>$ error yang diinginkan.
$\hat{f}$ disebut underfit pada data latih. Cara mengatasinya:
- tingkatkan kompleksitas model
- mis: tingkatkan kedalaman maks, turunkan min sampel per daun, ...
- kumpulkan fitur yang lebih relevan

K-Fold CV di sklearn pada Dataset Auto

from sklearn.tree import DecisionTreeRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error as MSE
from sklearn.model_selection import cross_val_score

# Set seed for reproducibility
SEED = 123
# Split data into 70% train and 30% test
X_train, X_test, y_train, y_test = train_test_split(X,y,
                                                    test_size=0.3, 
                                                    random_state=SEED)

# Instantiate decision tree regressor and assign it to 'dt'
dt = DecisionTreeRegressor(max_depth=4, 
                           min_samples_leaf=0.14,
                           random_state=SEED)

K-Fold CV di sklearn pada Dataset Auto

# Evaluate the list of MSE ontained by 10-fold CV 
# Set n_jobs to -1 in order to exploit all CPU cores in computation
MSE_CV = - cross_val_score(dt, X_train, y_train, cv= 10, 
                           scoring='neg_mean_squared_error',
                           n_jobs = -1)

# Fit 'dt' to the training set                        
dt.fit(X_train, y_train)
# Predict the labels of training set
y_predict_train = dt.predict(X_train)
# Predict the labels of test set
y_predict_test = dt.predict(X_test)

# CV MSE  
print('CV MSE: {:.2f}'.format(MSE_CV.mean()))

CV MSE: 20.51

# Training set MSE
print('Train MSE: {:.2f}'.format(MSE(y_train, y_predict_train)))

Train MSE: 15.30

# Test set MSE
print('Test MSE: {:.2f}'.format(MSE(y_test, y_predict_test)))

Test MSE: 20.92

Ayo berlatih!

Machine Learning dengan Model Berbasis Pohon di Python