Lompat ke konten utama

Ajak teman, raih Rp1.000.000. Ikut kompetisi

AI & Pembelajaran Mesin

Pohon Keputusan, Confusion Matrix, Precision-Recall, dan Kurva ROC

Gratis, tanpa loginberjalan di perangkatmu

Pohon Keputusan, Confusion Matrix, Precision-Recall, dan Kurva ROC

Pohon keputusan memisahkan transaksi rekaan. Atur kedalaman dan ambang, lalu lihat confusion matrix, presisi, recall, F1, kurva ROC, dan overfitting.

Yang dipahami

Ambang klasifikasi menukar presisi dengan recall tanpa mengubah model. Pohon yang terlalu dalam menghafal data latih: skor latih naik, skor uji turun.

Cara memakai

  1. Turunkan ambang ke 0,2: recall naik, presisi turun, titik di kurva ROC bergeser.
  2. Naikkan kedalaman maksimum ke 10: akurasi latih mendekati 100%, akurasi uji turun.
  3. Ganti tampilan ke data latih dan bandingkan confusion matrix-nya.
  4. Cari kedalaman dengan akurasi uji tertinggi di grafik overfitting.

Batasan

  • Data transaksi rekaan (240 baris, dua fitur) dibuat acak untuk lab ini, bukan data penipuan nyata.
  • Peluang = porsi penipuan di daun; ambang mengubah tebakan, bukan pohonnya.
  • Pohon memakai kriteria entropy dan memecah sampai murni atau kedalaman maksimum, tanpa batas sampel per daun.

Pertanyaan yang sering muncul

Apakah Pohon keputusan & confusion matrix ini gratis?
Gratis dan tanpa akun. Simulasinya berjalan di peramban kamu; tidak ada yang dikirim ke server KelasGratis. Bila kamu masuk, KelasGratis hanya mencatat bahwa akunmu membuka lab ini (sekali sehari) untuk riwayat dan aktivitas komunitas.
Apa saja penyederhanaan modelnya?
Data transaksi rekaan (240 baris, dua fitur) dibuat acak untuk lab ini, bukan data penipuan nyata. Peluang = porsi penipuan di daun; ambang mengubah tebakan, bukan pohonnya. Pohon memakai kriteria entropy dan memecah sampai murni atau kedalaman maksimum, tanpa batas sampel per daun.
Boleh dipasang di situs sekolah atau blog?
Boleh. Pasang iframe ke alamat halaman ini dengan tambahan ?embed=1 di ujungnya. Bingkainya menampilkan lab saja beserta tautan balik.
Sumber (3)
  1. scikit-learn User Guide — 1.10 Decision Trees · CART, kriteria entropy, max_depth dan overfitting
  2. scikit-learn User Guide — 3.4 Metrics and scoring · Confusion matrix, precision, recall, F1
  3. scikit-learn — sklearn.metrics.roc_curve · TPR dan FPR untuk setiap ambang skor

Latih di kelas

Lab tidak dinilai; soal yang dinilai ada di pelajarannya.

Semua lab AI & Pembelajaran Mesin

© 2026 KelasGratis. Seluruh hak cipta dilindungi undang-undang. Dilarang scraping, kecuali perayap mesin pencari dan AI untuk pengindeksan. Syarat & hak cipta · Dari pendiri yang sama: iLingo, GrowWithAI dan Ambis.