Pembelajaran mesin dari data: makin banyak sampel, makin akurat
InformatikaData, AI, dan pembelajaran mesinUsia 16–17
Gunakan di kelas Anda: siswa membukanya lewat tautan atau kode QR, tanpa perlu akun.
Berikutnya di Data, AI, dan pembelajaran mesin
Sebuah pengklasifikasi sederhana belajar dari sampel berlabel: ia menghitung titik pusat (centroid) setiap kelas, lalu memakai garis sumbu antara kedua titik pusat sebagai batas keputusan. Siswa mengatur jumlah sampel latih, tingkat derau label, dan seberapa timpang pengumpulan datanya; model dilatih ulang, dan akurasinya diukur pada kumpulan tetap berisi 400 sampel uji. Jika data latih sebagian besar berasal dari satu kelompok, akurasi keseluruhan masih tampak tinggi, tetapi akurasi untuk kelompok yang kurang terwakili turun tajam — itulah bias data.
Pelajaran: Kecerdasan artifisial dan pembelajaran mesin: mesin belajar dari data, dan kualitas data menentukan kualitas model
Yang ditunjukkan
Model pembelajaran mesin tidak memiliki aturan bawaan; model itu menyimpulkan aturan dari contoh berlabel. Di sini pengklasifikasi centroid terdekat menghitung titik rata-rata setiap kelas pada data latih dan memakai garis sumbu antara kedua centroid sebagai batas keputusan. Akurasi diukur pada 400 sampel uji tetap yang tidak pernah dilihat model saat dilatih. Dengan sedikit sampel atau banyak label yang salah, batas hasil belajar bergeser menjauhi batas sebenarnya. Jika sebagian besar data berasal dari satu kelompok, akurasi keseluruhan bisa tetap tinggi sementara akurasi kelompok lain turun: bias yang berasal dari data.
Cara menggunakan
Pilih Masalah, aktifkan Tampilkan batas sebenarnya sebagai pembanding, lalu ubah satu pengaturan setiap kali: Jumlah sampel latih, Persentase sampel yang salah label, dan Porsi data yang hanya diambil dari satu kelompok. Setelah setiap perubahan, bandingkan batas hasil belajar dengan batas sebenarnya dan baca akurasi keseluruhan serta akurasi kelompok A dan B. Gunakan Latih ulang untuk sampel acak baru, atau klik grafik untuk menambah sampel sendiri.
Parameter yang dapat diubah
- Masalah Penyaringan email spam, Pendeteksian buah matang
- Jumlah sampel latih 10–500 sampel
- Persentase sampel yang salah label 0–40 %
- Porsi data yang hanya diambil dari satu kelompok 0–100 %
- Tampilkan batas sebenarnya sebagai pembanding
Pertanyaan untuk dijelajahi
- Mengapa akurasi model diukur pada 400 sampel yang tidak dipakai untuk pelatihan?
- Bagaimana batas keputusan bergeser jika 30% sampel latih salah label?
- Jika akurasi keseluruhan tinggi, apakah model masih bisa buruk untuk satu kelompok menurut angka kelompok A dan kelompok B?
