K_DM Book

Variansi terjelaskan

03.2.7

Variansi terjelaskan

Diperbarui 2020-05-06 Baca 2 menit
Ringkasan
  • Variansi terjelaskan menunjukkan porsi variasi target yang berhasil ditiru model.
  • Hitung metrik ini bersama R² untuk melihat perbedaan pengaruh noise dan bias.
  • Ketahui kapan metrik ini berguna dan kapan bisa menyesatkan.

1. Definisi #

Dengan \(\mathrm{Var}(y)\) variansi observasi dan \(\mathrm{Var}(y - \hat{y})\) variansi residual:

$$ \mathrm{Variansi\ terjelaskan} = 1 - \frac{\mathrm{Var}(y - \hat{y})}{\mathrm{Var}(y)} $$
  • Nilai mendekati 1 berarti mayoritas variasi tertangkap.
  • Nilai 0 setara dengan selalu memprediksi rata-rata.
  • Nilai negatif menandakan prediksi lebih buruk daripada rata-rata.

2. Menghitung di Python #

1
2
3
4
from sklearn.metrics import explained_variance_score

ev = explained_variance_score(y_test, y_pred)
print(f"Explained Variance: {ev:.3f}")

explained_variance_score mendukung regresi multi-output lewat multioutput="raw_values".


3. Dibandingkan dengan R² #

  • Sensitif terhadap bias: R² merespons bias karena memakai MSE; variansi terjelaskan mengabaikan bias dan fokus ke variasi.
  • Kapan dipakai: ketika tujuan utama menangkap fluktuasi, bukan level rata-rata.
  • Pelaporan: tampilkan bersama R² agar tampak baik penangkapan variasi maupun kecocokan keseluruhan.

4. Penerapan #

  • Perkiraan risiko/volatilitas: evaluasi apakah model menangkap fluktuasi di sekitar target.
  • Regresi multi-output: bandingkan variansi terjelaskan per output untuk menemukan target yang sulit.
  • Koreksi bias: variansi tinggi namun MAE besar menandakan model perlu disesuaikan levelnya.

5. Metrik pendamping #

MetrikFokusCatatan
R²Kecocokan globalSensitif terhadap bias dan variansi
Variansi terjelaskanPenangkapan variasiTak peka terhadap pergeseran mean
MAE / RMSEGalat absolutMemperlihatkan deviasi aktual

Ringkasan #

  • Variansi terjelaskan melengkapi R² dengan menyoroti kemampuan model menangkap variasi.
  • Mudah dihitung lewat explained_variance_score, termasuk kasus multi-output.
  • Selalu interpretasikan bersama metrik sensitif bias (MAE, MBE) agar penilaian lebih seimbang.