Modul 5: Evaluasi Model

Jangan puji model hanya dari accuracy! Pada data fraud 1%, model 'selalu bukan fraud' punya accuracy 99% tapi menyelamatkan nol rupiah. Precision: dari yang diprediksi positif, berapa benar. Recall: dari yang benar-benar positif, berapa tertangkap. F1 menyeimbangkan keduanya.

from sklearn.metrics import classification_report, confusion_matrix
# y_true = label asli, y_pred = prediksi model
# print(confusion_matrix(y_true, y_pred))
# print(classification_report(y_true, y_pred))
# → precision, recall, f1-score per kelas

Cross-validation (mis. 5-fold): data dibagi 5, model dilatih-uji 5 kali bergantian, skornya dirata-rata. Hasilnya jauh lebih jujur daripada satu kali split yang bisa keberuntungan.

Overfitting: hebat di data latih, hancur di data uji (menghafal). Underfitting: buruk di keduanya (terlalu sederhana). Obat overfitting: lebih banyak data, regularisasi, model lebih sederhana. Obat underfitting: fitur lebih baik, model lebih kompleks.