Metrik paling kuat untuk mengevaluasi model klasifikasi, terutama pada kumpulan data yang tidak seimbang.
Matriks Kebingungan
Performa Model
Skor PKS0.616
Superior Predictor
Ketepatan80.0%
Skor F10.800
Presisi88.9%
Mengingat72.7%
Interpretasi
+1.0 = Sempurna, 0.0 = Acak, -1.0 = Terbalik.
Overview
Koefisien Korelasi Matthews (MCC) secara luas dianggap sebagai metrik tunggal terbaik untuk merangkum model klasifikasi. Berbeda dengan akurasi, matriks ini mempertimbangkan keempat nilai matriks konfusi secara setara, sehingga menjadikannya kuat terhadap kumpulan data yang sangat tidak seimbang.
💡
Pro Tips
Gunakan MCC alih-alih Akurasi ketika kelas tidak seimbang (misalnya, deteksi penipuan).
Skor MCC di atas 0,7 umumnya dianggap sebagai prediktor yang sangat kuat.
Skor 0 berarti model Anda tidak lebih baik dari tebakan acak.
!
Fun Facts
"MCC juga dikenal sebagai koefisien phi (φ)."
"Jika suatu model memprediksi setiap instance sebagai kelas mayoritas, MCC-nya akan bernilai 0, sedangkan akurasinya bisa mencapai 99% atau lebih tinggi."
"MCC pada dasarnya adalah koefisien korelasi antara klasifikasi biner yang diamati dan diprediksi."
