Modul 03 · 12 menit
Fitur dan Target
Pahami bagaimana fitur, target, regresi, klasifikasi, dan jenis kesalahan membentuk hasil sebuah model.
Ditulis dan disunting oleh Cahyanto Arie Wibowo. Terakhir ditinjau · versi 1.2.
Apa inti dari “Fitur dan Target” dalam praktik?
Di bagian ini, Anda akan membedakan fitur yang dipakai model dan target yang ingin diprediksi. Coba tempatkan Fitur dan Target di dalam alur kerja yang sudah Anda kenal. Lihat siapa yang memberi masukan, siapa yang memakai hasil, dan siapa yang perlu memeriksanya. Anda akan mengubah Fitur dan Target dari gagasan abstrak menjadi pilihan yang memiliki penanggung jawab dan cara peninjauan yang jelas.
Setelah lesson ini
- Membedakan fitur yang dipakai model dan target yang ingin diprediksi.
- Menggunakan konsep “Fitur dan Target” untuk membaca satu situasi nyata.
- Menjelaskan batas konsep dan informasi yang masih perlu diperiksa.
Mulai dari situasi
Pahami situasinya lebih dulu. Istilahnya bisa menyusul.
Model harga dan penyaring spam memakai target serta ukuran kesalahan yang berbeda. Di bagian ini, Anda akan melihat situasi tersebut melalui konsep “Fitur dan Target”. Tujuannya bukan mencari satu istilah yang menjawab semua masalah, melainkan memahami pilihan yang tersedia dengan lebih jernih.
Di bagian ini, Anda akan membedakan fitur yang dipakai model dan target yang ingin diprediksi. Pahami bagaimana fitur, target, regresi, klasifikasi, dan jenis kesalahan membentuk hasil sebuah model. Hubungkan konsep ini dengan keputusan yang benar-benar perlu Anda buat.
Model visual
Petakan setiap bagiannya sebelum menentukan langkah.
Baca diagram sebagai peta Fitur dan Target: mulai dari konteksnya, ikuti hubungan antarbagiannya, lalu periksa titik yang disorot sebelum mengambil keputusan.
Contoh bertahap
Ikuti buktinya selangkah demi selangkah.
Diketahui
- Model harga dan penyaring spam memakai target serta ukuran kesalahan yang berbeda. Di bagian ini, Anda akan melihat situasi tersebut melalui konsep “Fitur dan Target”. Tujuannya bukan mencari satu istilah yang menjawab semua masalah, melainkan memahami pilihan yang tersedia dengan lebih jernih.
- Informasi dan bukti yang tersedia masih belum lengkap.
- 01 · Rumuskan Nyatakan keputusan yang ingin dibantu oleh Fitur dan Target.
- 02 · Pisahkan Tuliskan bukti yang terlihat, asumsi yang digunakan, dan informasi yang masih belum tersedia.
- 03 · Bandingkan Bandingkan manfaat yang mungkin diperoleh dengan biaya jika keputusan salah.
- 04 · Periksa Pilih langkah berikutnya dan tentukan kapan keputusan harus ditinjau.
Hasil: Sebuah keputusan sementara, lengkap dengan langkah pemeriksaan berikutnya.
Interpretasi: Hasil ini berguna karena ketidakpastian dan pemicu peninjauannya dicatat, bukan disembunyikan seolah buktinya sudah final.
Mari lihat cara kerjanya
Cara membacanya dalam situasi nyata
Coba tempatkan Fitur dan Target di dalam alur kerja yang sudah Anda kenal. Lihat siapa yang memberi masukan, siapa yang memakai hasil, dan siapa yang perlu memeriksanya. Mulailah dari hal yang dapat Anda amati, lalu pisahkan fakta, asumsi, dan pertanyaan yang masih belum terjawab.
Model harga dan penyaring spam memakai target serta ukuran kesalahan yang berbeda. Pada kasus itu, tandai bagian yang paling berkaitan dengan topik ini. Contoh ini membantu Anda berpikir, tetapi bukan bukti bahwa satu solusi akan cocok untuk semua situasi.
Jalan pintas yang menggoda
Istilah yang terdengar familiar belum tentu membantu Anda mengambil keputusan yang tepat.
Mengapa ini terasa masuk akal
Hubungan dan prediksi tidak membuktikan bahwa satu hal menyebabkan hal lain. Kesalahan ini biasanya muncul ketika istilah dipakai lebih cepat daripada pemahaman terhadap masalahnya. Tuliskan asumsi yang Anda pakai agar orang lain dapat memeriksanya.
Cara memeriksanya
Coba tempatkan Fitur dan Target di dalam alur kerja yang sudah Anda kenal. Lihat siapa yang memberi masukan, siapa yang memakai hasil, dan siapa yang perlu memeriksanya. Mulailah dari hal yang dapat Anda amati, lalu pisahkan fakta, asumsi, dan pertanyaan yang masih belum terjawab.
Berhenti sejenak
Bukti apa yang bisa mengubah keputusan ini?
Jawab sebelum membuka pembahasan. Sebutkan satu fakta dan satu asumsi.
Buka pembahasan
Di bagian ini, Anda akan membedakan fitur yang dipakai model dan target yang ingin diprediksi. Coba tempatkan Fitur dan Target di dalam alur kerja yang sudah Anda kenal. Lihat siapa yang memberi masukan, siapa yang memakai hasil, dan siapa yang perlu memeriksanya. Anda akan mengubah Fitur dan Target dari gagasan abstrak menjadi pilihan yang memiliki penanggung jawab dan cara peninjauan yang jelas.
Coba sendiri
Cobalah pada satu bagian kecil dari pekerjaan Anda.
- Pilih satu situasi nyata yang berkaitan dengan Fitur dan Target.
- Pisahkan hal yang dapat Anda amati dari hal yang masih berupa asumsi.
- Tulis satu keputusan, penanggung jawab, dan bukti untuk memeriksanya.
- Sebutkan sinyal yang membuat Anda berhenti atau mengubah arah.
Tulis dua contoh yang sesuai dengan Fitur dan Target dan satu contoh yang tidak sesuai. Jelaskan perbedaannya dengan bahasa Anda sendiri. Jika ingin melanjutkan, Anda juga dapat mencoba latihan modul berikut: Bandingkan hasil model dengan tolok ukur awal, lalu jelaskan artinya. Buat versi pertama cukup kecil agar orang lain dapat memeriksanya dalam beberapa menit.
Latihan singkat
Tulis dua contoh yang sesuai dengan Fitur dan Target dan satu contoh yang tidak sesuai. Jelaskan perbedaannya dengan bahasa Anda sendiri. Jika ingin melanjutkan, Anda juga dapat mencoba latihan modul berikut: Bandingkan hasil model dengan tolok ukur awal, lalu jelaskan artinya.
Ringkasan
- Membedakan fitur yang dipakai model dan target yang ingin diprediksi.
- Gunakan contoh dan bukti untuk menguji pemahaman.
- Catat batas, risiko, dan kondisi ketika keputusan harus ditinjau ulang.
Lanjutkan dari sini
- Regresi: Lanjutkan gagasan dari Prediksi dan Klasifikasi melalui contoh yang masih berkaitan.
- Data, Fitur, dan Label: Hubungkan pelajaran ini dengan AI untuk Semua, lalu uji idenya dalam konteks lain.
- Kemampuan Model: Lihat bagaimana keputusan yang sama berubah ketika dibahas melalui Product Thinking.
Sumber dan bacaan lanjut
- Machine Learning Crash Course: Google for Developers · official-course. Rujukan utama untuk definisi, bukti, atau batas yang dibahas dalam “Fitur dan Target”.
- Model evaluation: scikit-learn · official-documentation. Bukti dan konteks tambahan untuk memeriksa penjelasan dalam “Fitur dan Target”.
- Machine Learning Glossary: Google for Developers · official-documentation. Bukti dan konteks tambahan untuk memeriksa penjelasan dalam “Fitur dan Target”.