Langsung ke konten utama
Buka dasbor
Tidak yakin harus mulai dari mana? Ikuti kuis singkat untuk mendapatkan rekomendasi yang disesuaikan.
Pelajaran 6 dari 7
Evaluasi dan Uji
Pembelajaran Mesin Langsung
Apa itu Pembelajaran Mesin?
Menginvestigasi cerita dengan pembelajaran mesin
Google Cloud AutoML Vision
Tanggal persiapan
Latih model Pembelajaran Mesin Anda
Evaluasi dan Uji
check_box_outline_blank Hands-on Machine Learning: Take the Quiz
Kursus
0% selesai
5 menit untuk diselesaikan

Evaluasi dan Uji

image9_2.png

Cara menafsirkan hasil model Anda dan mengevaluasi kinerjanya

image9_2.png

Presisi dan Perolehan

image9_1.png

Setelah model dilatih, Anda akan melihat ringkasan performa model dengan skor untuk "Presisi" dan "Perolehan".

Presisi memberi tahu kita berapa proporsi gambar yang diidentifikasi oleh model sebagai positif yang seharusnya dikategorikan seperti itu. Perolehan malah memberi tahu kita berapa proporsi gambar positif aktual yang diidentifikasi dengan benar.


Model kita berkinerja sangat baik di kedua kategori, dengan skor di atas 97%. Mari kita lihat artinya dengan lebih detail.

image9_1.png

Evaluasi kinerja model

Klik "Evaluasi" di menu atas dan mari jelajahi antarmukanya. Pertama, hal ini menunjukkan kepada kita skor pada presisi dan perolehan. Dalam kasus kita, skor presisi memberi tahu bahwa 97% gambar uji yang diidentifikasi oleh model sebagai contoh penambangan ambar memang menunjukkan jejak penambangan ambar. 


Sebaliknya, skor penarikan memberi tahu kita bahwa 97% dari gambar uji yang menunjukkan contoh penambangan ambar diberi label yang benar oleh model tersebut. 


Batas keyakinan adalah tingkat keyakinan yang harus diberikan label oleh model. Semakin rendah nilainya, semakin banyak gambar yang akan diklasifikasikan oleh model, tetapi semakin tinggi risiko kesalahan klasifikasi beberapa gambar.


Jika Anda ingin menggali lebih dalam dan juga menjelajahi kurva presisi-perolehan, ikut tautan di antarmuka untuk mempelajari lebih lanjut. 

Positif palsu dan negatif palsu

Selanjutnya, mari kita lihat Matriks Kebingungan. Semakin tinggi skor pada latar belakang biru, semakin baik performa model. Dalam contoh ini, skornya sangat bagus. 


Semua gambar yang seharusnya diberi label negatif (tidak ada penambangan ambar) dikenali oleh model dan 82% gambar yang menyertakan jejak penambangan ambar diberi label dengan benar.


Kita tidak memiliki positif palsu - tidak ada gambar yang salah diberi label sebagai contoh penambangan ambar - dan hanya 12% dari negatif palsu: gambar yang menunjukkan jejak penambangan ambar yang gagal dikenali oleh model.


Hal ini bagus untuk tujuan penyelidikan kita tentang penambangan ambar ilegal: lebih baik melewatkan beberapa contoh positif daripada memberikan bukti gambar penambangan ambar yang tidak benar-benar menampilkan itu.


Klik pada filter kiri jika Anda ingin melihat gambar uji mana saja yang diklasifikasikan dengan benar atau salah berdasarkan model.


Belum yakin apakah Anda bisa mempercayai modelnya? Dengan mengklik "Uji & Gunakan", Anda dapat mengupload gambar satelit baru - dengan atau tanpa jejak penambangan kuning - untuk melihat apakah model memberi label dengan benar.

Uji dan latih lagi

image29_2.png

Beberapa pertimbangan terakhir sebelum kita selesai:


Anda mungkin ingin tahu bagaimana model tersebut mendapatkan beberapa jawaban yang salah ketika kita telah memberi tahu semua jawaban yang benar untuk memulai. Jika ya, Anda mungkin ingin meninjau pemisahan menjadi set pelatihan, validasi, dan pengujian yang dijelaskan di pelajaran sebelumnya.

Untuk contoh ini, hampir semua gambar diklasifikasikan dengan benar. Namun hal itu tidak selalu terjadi. Jika tidak puas dengan performa model Anda, Anda selalu dapat memperbarui dan menyempurnakan set data, serta memperbaiki dan melatih model tersebut. Anda dapat dengan cermat menganalisis yang salah pada perulangan pertama dan, misalnya, menambahkan lebih banyak gambar yang mirip dengan yang diklasifikasikan salah oleh model ke set pelatihan Anda.

Bagi manusia, belajar adalah proses yang berulang-ulang.

image29_2.png
Selamat! Anda baru saja selesai Evaluasi dan Uji Sudah, sedang dalam proses
Direkomendasikan untuk Anda
Bagaimana penilaian Anda untuk pelajaran ini?
Masukan Anda akan membantu kami terus meningkatkan kualitas pelajaran!
Keluar dan kehilangan progres?
Dengan keluar dari halaman ini, Anda akan kehilangan semua progres pada pelajaran Anda saat ini. Anda yakin ingin melanjutkan dan kehilangan progres Anda?