Fase 2 · Hyperparameter Sandbox

Hyperparameter mengontrol bagaimana model belajar.

Pilih kombinasi banyak pohon, kedalaman, dan kecepatan belajar. Amati gap antara Train dan Test ROC. Geser sampai Anda merasakan ketiga kondisi: underfitting, sweet spot, overfitting.

Train ROC

Hasil pada data training

AUROC 0.500
Train ROCKurva Receiver Operating Characteristic. AUROC saat ini 0.500. Sumbu X adalah false positive rate, sumbu Y adalah true positive rate.000.250.250.50.50.750.7511False Positive Rate (1 − Spesifisitas)True Positive Rate (Sensitivitas)

Test ROC

Hasil pada held-out test set

AUROC 0.500
Test ROCKurva Receiver Operating Characteristic. AUROC saat ini 0.500. Sumbu X adalah false positive rate, sumbu Y adalah true positive rate.000.250.250.50.50.750.7511False Positive Rate (1 − Spesifisitas)True Positive Rate (Sensitivitas)
Gap (Train − Test) 0.000 —

Hyperparameter

Banyak pohon (n_estimators)
Kedalaman pohon (max_depth)
Kecepatan belajar (learning_rate)
Neutral Train: 0.000 · Test: 0.000

Memuat hasil model...

Underfitting Sweet Spot Overfitting