Pengukuran pembelajaran mesin

Untuk memahami pengukuran yang digunakan untuk menyetel transformasi machine learning Anda, Anda harus terbiasa dengan terminologi berikut:

Benar positif (TP)

Sebuah kecocokan dalam data yang ditemukan dengan benar oleh transformasi, kadang-kadang disebut temuan.

Benar negatif (TN)

Sebuah ketidakcocokan dalam data yang dengan benar ditolak oleh transformasi.

Positif palsu (FP)

Sebuah ketidakcocokan dalam data yang keliru diklasifikasikan sebagai kecocokan, kadang-kadang disebut alarm palsu.

Negatif palsu (FN)

Sebuah kecocokan dalam data yang tidak ditemukan oleh transformasi, kadang-kadang disebut meleset.

Untuk informasi lebih lanjut tentang terminologi yang digunakan dalam machine learning, lihat matriks kebingungan di Wikipedia.

Untuk menyetel transformasi machine learning Anda, Anda dapat mengubah nilai pengukuran berikut di Properti lanjutan dari transformasi tersebut.

• Precision mengukur seberapa baik transformasi menemukan benar positif di antara jumlah total catatan yang diidentifikasi sebagai positif (benar positif dan positif palsu). Untuk informasi selengkapnya, lihat Precision dan recall di Wikipedia.

• Recall mengukur seberapa baik transformasi menemukan benar positif dari total catatan dalam data sumber. Untuk informasi selengkapnya, lihat Precision dan recall di Wikipedia.

• Akurasi mengukur seberapa baik transformasi menemukan benar positif dan benar negatif. Peningkatan akurasi memerlukan lebih banyak sumber daya dan biaya mesin. Tetapi, itu juga menghasilkan peningkatan recall. Untuk informasi selengkapnya, lihat Accuracy dan precision di Wikipedia.

• Biaya mengukur berapa banyak sumber daya komputasi (dan uang) yang digunakan untuk menjalankan transformasi.