03.2.7
Variansi terjelaskan
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 #
| |
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 #
| Metrik | Fokus | Catatan |
|---|---|---|
| R² | Kecocokan global | Sensitif terhadap bias dan variansi |
| Variansi terjelaskan | Penangkapan variasi | Tak peka terhadap pergeseran mean |
| MAE / RMSE | Galat absolut | Memperlihatkan 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.