nilai rata-rata. Jadi, jika set pelatihan asli memiliki 50 persen churn dan 50 persen no-churn, maka
nilai rata-rata jaringan akan diproduksi untuk contoh jaringan yang akan mendekati 0,0. Nilai
Lebih tinggi dari 0,0 lebih seperti churn dan yang kurang dari 0,0, kurang seperti churn. Jika set
pelatihan asli memiliki churn 10 persen, maka cutoff akan lebih banyak cukup menjadi -0,8 bukan
0,0 (-0,8 adalah 10 persen dari -1 ke 1). Jadi, output dari jaringan memang terlihat sangat mirip
probabilitas dalam kasus ini. Namun, probabilitasnya bergantung pada distribusi variabel output
di set pelatihan
Namun pendekatan lain adalah menetapkan tingkat kepercayaan bersama dengan
nilainya.Tingkat kepercayaan ini akan memperlakukan output aktual jaringan sebagai
kecenderungan untuk churn, seperti ditunjukkan pada Tabel 7.4.
Untuk nilai biner, dimungkinkan juga untuk membuat jaringan yang menghasilkan dua
output, satu untuk setiap nilai. Dalam hal ini, setiap output mewakili kekuatan bukti bahwa kategori
itu benar. Kategori yang dipilih nantinya jadilah yang memiliki nilai lebih tinggi, dengan keyakinan
berdasarkan beberapa fungsi kekuatan dari dua keluaran. Pendekatan ini sangat berharga bila
kedua hasil tersebut tidak eksklusif.
TIP Karena neural network menghasilkan nilai kontinyu, output dari sebuah jaringan bisa sulit
ditafsirkan untuk hasil kategoris (digunakan dalam klasifikasi). Cara terbaik untuk mengkalibrasi
output adalah dengan menjalankan jaringan melalui set validasi, seluruhnya terpisah dari set
pelatihan, dan untuk menggunakan hasil dari validasi atur untuk mengkalibrasi output dari
jaringan ke kategori. Dalam banyak kasus, jaringan dapat memiliki output terpisah untuk setiap
kategori; Artinya, kecenderungan untuk kategori itu. Bahkan dengan output terpisah, set validasi
masih diperlukan mengkalibrasi output.
Tabel 7.4 Kategori dan level tingkat kepercayaan untuk output NN.