NIM : 181810101009
RESUME WEBINAR
Sistem Peringatan Dini untuk Krisis Perbankan, dimana Marchine learning ini dapat
mendeteksi keuangan yang ada di bank.
Berdasarkan model Marchine learning, dua orang sama-sama diprediksi akan “tertarik”
produk kita, namun dengan alasan yang berbeda.
- Random Forest
- XGBoost
- Neural Network
Marchine learning : Sulit diinterpretasikan, cenderung rumit dan bersifat BLACK BOX.
Dalam banyak kasus mampu menghasilkan prediksi dengan ketepatan yang sangat baik.
Mampu menangkap pola-pola hubungan tak linear.
1. Regresi linier
2. Regresi logistik
3. Pohon klasifikasi
Ketepatan prediksi vs kemudahan interpretasi
Memiliki ketepatan prediksi yang tinggi dan dapat diinterpretasikan dengan mudah.
Langkah-langkahnya
1. Pilih kumpulan data x untuk melatih model kotak hitam atau kumpulan data baru dari
distribusi yang sama. Bisa juga memilih subset data atau titik grid
2. Untuk kumpulan data yang dipilih, didapat model black box
3. Pilih model yang dapat interpretasikan (model linier,decision tree,....)
4. Kumpulan data x diinterpretasikan dan diprediksi
5. Didapat model bayangan
6. Menghitung seberapa baik model bayangan dengan prediksi model kotak hitam
7. Memastikan model bayangan
- Fitur penting dengan permutasi
Fitur penting adalah peningkatan kesalahan model saat informasi fitur dihilangkan.
F1 >1 mengindikasikan bahwa variabel memiliki tingkat kepentingan yang besar
LIME berfokus pada model local pengganti untuk menjelaskan prediksi individu
Langkah untuk melatih model local pengganti
- Pilih instans yang diminati dan beri penjelasan tentang prediksi black box
- Pertusb data set dan dapatkan prediksi black box untuk point
- Menimbang sampel baru sesuai dengan pendekatan dan contoh yang diminati
- Train model berbobot sehingga dapat diinterpretasikan pada data et dengan variasi
- Menjelaskan prediksi dengan menafsirkan model local
Penutup :