Lompat ke konten utama
Kelas
Machine Learning Dasar dengan PythonPelajaran 6 dari 16 · Modul 2, Regresi: menebak angka

Modul 2 · Regresi: menebak angka

Menilai regresi: MAE, MSE, RMSE, dan R²

Setelah pelajaran ini kamu bisa menghitung dan menafsirkan MAE, MSE, RMSE, dan R² dari nilai aktual dan tebakan.

  • ±13 menit
  • 3 latihan
  • Diperiksa 27 Sep 2026

Latihan di pelajaran ini butuh akun gratis. Progres, kode, dan catatanmu hanya tersimpan di browser ini. Masuk untuk menyimpannya

Materi

Selisih antara nilai sebenarnya dan tebakan disebut galat. Empat ukuran dari bagian Regression metrics di User Guide scikit-learn merangkum galat semua baris menjadi satu angka.

MetrikRumusSatuanNilai terbaik
MAErata-rata |aktual − tebakan|sama dengan label0
MSErata-rata (aktual − tebakan)²kuadrat satuan label0
RMSEakar MSEsama dengan label0
R²1 − jumlah kuadrat galat ÷ jumlah kuadrat simpangan dari rata-ratatanpa satuan1

MAE mudah dibaca: "rata-rata tebakan meleset 3 menit". MSE mengkuadratkan galat sehingga satu galat besar sangat terasa; RMSE mengembalikannya ke satuan label. R² membandingkan model dengan tebakan paling sederhana, yaitu selalu menebak rata-rata: R² = 0 berarti sama saja dengan tebakan rata-rata, dan dokumentasi r2_score menyebut nilainya bisa negatif bila model lebih buruk dari itu.

from sklearn.metrics import mean_absolute_error, r2_score

suhu_asli = [30, 32, 28, 35]
suhu_ramal = [31, 30, 28, 36]
print(mean_absolute_error(suhu_asli, suhu_ramal))  # 1.0
print(round(r2_score(suhu_asli, suhu_ramal), 3))   # 0.776

Latihan

Jawaban diperiksa di server. Lulus berarti kamu memahami contohnya, bukan penilaian seluruh pekerjaanmu.

Latihan 1 dari 3

Empat hari berturut-turut, penjualan aktual 10, 12, 15, dan 20 unit, sedangkan ramalannya 11, 12, 13, dan 23 unit. Berapa MAE-nya?

Catatanmu

Memuat catatan…

tersimpan otomatis, ikut tercetak · 0/4.000

Lanjutkan ke

Tampilkan 2 lagi