A.4 · Pembelajaran mesin

Fokus HL yang didukung. Target penilaian pertama 2027; PDF resmi mengembalikan 403; brief perolehan lama adalah penilaian akhir 2026. Panduan, persyaratan penilaian, dan praktis lainnya tetap mempertahankan catatan yang tercatat.

Prasyarat: baca kuantitas dan satuan yang disebutkan, gunakan aritmatika, dan kondisi model di bawah ini. Setiap pelajaran mengembangkan metodenya sendiri sebelum transfer mandiri.

Ini adalah contoh pengajaran asli atau fiksi eksplisit, bukan pengukuran aktual atau penyelidikan pembelajaran yang selesai dan dinilai.

Apa yang akan menjelaskan observasi ini?

• Model dapat mendapat nilai tinggi dengan mempelajari jalan pintas dalam data pelatihan. Evaluasi harus menguji tugas yang dimaksud pada contoh yang belum terlihat yang sesuai.
• Mulailah dengan prediksi. Nyatakan besaran atau fitur apa yang akan Anda bandingkan, lalu tentukan bukti apa yang dapat membedakan dua penjelasan.

Bangun modelnya

• Database relasional menggunakan tabel, kunci, dan hubungan untuk mengatur data. Pembelajaran mesin memperkirakan pola dari data. Data pelatihan dan evaluasi berperan berbeda.
• primary key: Himpunan atribut yang secara unik mengidentifikasi rekaman; kebocoran data: Penggunaan informasi yang tidak tersedia pada waktu prediksi yang dimaksud.

Pilih bukti yang dapat mengujinya

• Kunci utama secara unik mengidentifikasi rekaman; kunci asing menghubungkan rekaman. Dalam prediksi, kebocoran dapat mengekspos informasi yang tidak tersedia pada waktu keputusan nyata. Akurasi saja mungkin menyembunyikan distribusi target yang tidak seimbang.
• Gunakan catatan pemesanan fiksi untuk mengidentifikasi entitas, atribut, dan hubungan. Untuk latihan pembelajaran, gunakan dataset publik yang tidak sensitif, pisahkan data pelatihan dan pengujian, serta jelaskan siapa yang mungkin terdampak oleh kesalahan. Cakupan tujuan CS 2027 saat ini menantikan panduan yang diperoleh.

Bekerja dari kuantitas yang diketahui

• Nyatakan nilai yang diketahui dan unitnya. Pilih hubungan kerana asumsinya sesuai dengan kes ini, kemudian susun semula sebelum menggantikan.
• Diketahui: sebuah classifier membuat 90 prediksi benar di antara 100 kasus. Akurasi = benar/total×100 = 90%. Jika 90 kasus termasuk dalam satu kelas, selalu memprediksi kelas tersebut memberikan akurasi yang sama dan masih dapat gagal pada setiap kasus minoritas.

Contoh:

Sebuah model membuat 72 prediksi benar dari 80. Temukan persentase akurasi. Gunakan urutan yang sama: besaran diketahui → model → hubungan → substitusi → unit dan interpretasi.

Periksa kesimpulan dan batasannya

• Akurasi tinggi bukan bukti keadilan atau pemahaman kausal. Kunci primer database bukanlah sekadar bidang mana pun yang terlihat penting.
• Kembali ke pengamatan awal. Jelaskan apa hasil tersebut mendukung, kondisi apa yang diasumsikannya, dan satu cara untuk menguji penjelasan saingan.

Peringatan:

Sebuah classifier dengan akurasi 90% harus menangani setiap kelas dengan sama baiknya. Klaim ini salah: Akurasi tinggi bukan bukti keadilan atau pemahaman kausal. Kunci primer database bukanlah sekadar bidang mana pun yang terlihat penting.

Kunci:

Model data dan pembelajaran mesin yang bertanggung jawab: Kunci primer secara unik mengidentifikasi sebuah rekaman; kunci asing menghubungkan rekaman. Dalam prediksi, kebocoran dapat membocorkan informasi yang tidak tersedia pada waktu keputusan nyata. Akurasi saja dapat menyembunyikan distribusi target yang tidak seimbang.

Jejak dan batas dapat dijalankan

tp, fn, fp, tn = 4, 1, 10, 85
total = tp + fn + fp + tn
accuracy = (tp + tn) / total
recall = tp / (tp + fn) if tp + fn else None
print(accuracy, recall)
positives = 0
print(0 / positives if positives else "UNDEFINED")

Output yang diharapkan:

0.89 0.8
UNDEFINED

Akurasi membagi prediksi benar dengan semua kasus; recall positif membagi true positives dengan total positif aktual. Dengan tidak ada kasus positif, recall tidak terdefinisi alih-alih nol. Dataset ini fiksi, tanpa model terlatih atau data pribadi.