25
+ specifity
adalah jumlah true positive
yaitu jumlah data yang berhasil di prediksi oleh
classifier
dengan benar (misalkan jumlah data kelas “yes” dari sampel yang secara benar
dapat di prediksi sebagaimana mestinya oleh model klasifikasi), pos
adalah jumlah sampel
data positives
(“yes”), t_neg
adalah jumlah true negativesyaitu adalah kebalikan dari true
positive
(misalkan jumlah data kelas “no” dari sampel yang benar dapat diprediksi
sebagaimana mestinya oleh model klasifikasi), neg
adalah jumlah total sampel negatives
(“no” ), dan f_pos
adalah false positives
yaitu jumlah data yang salah di prediksi oleh
classifier (“no” diprediksi sebagai “yes”).
(“yes”) berdasarkan jumlah true positives
yang dapat diprediksi secara benar jika yang
diberikan adalah sampel positives.
adalah ukuran tingkatan derajat classifier
dapat mengenal negatives
samples
(“no”) berdasarkan true negatives
yang dapat diprediksi secara benar jika yang
diberikan adalah sampel negatives.
adalah besarnya presentase classifier
dalam menebak dengan tepat kelas
true positives
(“yes”) dengan melihat perbandingan true positive
yang dapat diprediksi
dengan penjumlahan true positive dan false positive.
model klasifikasi dalam melakukan prediksi.
adalah alat yang berguna
untuk menganalisis seberapa baik classifier
mengenali tuple dari kelas yang berbeda. TP dan
TN memberikan informasi ketika classifier benar, sedangkan FP dan FN memberitahu ketika
classifier salah.
 |