Lompat ke konten utama
Kelas
Machine Learning Dasar dengan PythonPelajaran 13 dari 16 · Modul 4, Model yang andal dan data tanpa label

Modul 4 · Model yang andal dan data tanpa label

Validasi silang

Setelah pelajaran ini kamu bisa menilai dan membandingkan model dengan cross_val_score dan KFold.

  • ±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

Satu pembagian latih-uji memberi satu angka yang ikut untung-untungan: pembagian lain bisa memberi skor berbeda. Validasi silang k-lipatan (k-fold) membagi data menjadi k bagian yang sama besar. Model dilatih k kali; setiap kali satu bagian menjadi data validasi dan sisanya data latih. Hasilnya k skor, dan rata-ratanya jauh lebih stabil daripada satu skor.

cross_val_score(model, X, y, cv=5) mengerjakan semuanya dan mengembalikan array lima skor; untuk classifier skornya akurasi. Menurut dokumentasi cross_val_score, cv berupa bilangan bulat pada classifier memakai StratifiedKFold, sehingga proporsi kelas terjaga di setiap lipatan. Untuk mengacak baris sebelum dibagi, berikan KFold(n_splits=5, shuffle=True, random_state=0) sebagai cv.

from sklearn.model_selection import cross_val_score, KFold
from sklearn.tree import DecisionTreeClassifier

lipatan = KFold(n_splits=4, shuffle=True, random_state=1)
skor = cross_val_score(DecisionTreeClassifier(random_state=0), X, y, cv=lipatan)
print(skor.round(3), skor.mean().round(3))

User Guide menganjurkan tetap menyisihkan data uji untuk penilaian terakhir: validasi silang dipakai untuk memilih model dan pengaturannya di data latih, lalu data uji dibuka sekali di akhir.

Latihan

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

Latihan 1 dari 3

Data berisi 150 baris dinilai dengan validasi silang 5 lipatan. Berapa baris yang menjadi data validasi di setiap lipatan?

Catatanmu

Memuat catatan…

tersimpan otomatis, ikut tercetak · 0/4.000

Lanjutkan ke

Tampilkan 2 lagi