turns-00003.parquet:52611
f89e47219c413beb1b86ad74degenerate_repetitionAbsentFinal dense release
USER
di bagian ini: # Evaluate the final model on X_test and y_test y_pred = model.predict(X_test) y_pred_labels = np.argmax(y_pred, axis=1) y_test_labels = np.argmax(y_test, axis=1) model.predict itu pakai model fold ke berapa?
ASSISTANT
Saya minta maaf atas kesalahan tersebut. Kode di atas hanya menggunakan model dari fold terakhir untuk evaluasi pada data tes (`X_test` dan `y_test`). Agar lebih akurat, Anda perlu menggunakan semua model dari setiap fold untuk menghitung rata-rata prediksi dan kemudian mengevaluasinya pada data tes.
Berikut adalah kode yang dimodifikasi:
```python
# ... (kodenya sama seperti sebelumnya)
# Menyimpan semua model
models = []
for train_index, val_index in skf.split(X_train_full, y_categorical[idx_train_full]):
print("\nTraining and evaluating model for fold", iter_num)
# ... (kodenya sama seperti sebelumnya)
# Simpan model untuk lipatan ini
models.append(model)
iter_num += 1
# Memprediksi pada data uji menggunakan semua model dan menghitung prediksi rata-rata
y_preds = [model.predict(X_test) for model in models] # prediksi menggunakan setiap model
y_preds_mean = np.mean(y_preds, axis=0) # menghitung rata-rata prediksi
y_pred_labels = np.argmax(y_preds_mean, axis=1)
y_test_labels = np.argmax(y_test, axis=1)
# Menghitung akurasi
accuracy = accuracy_score(y_test_labels, y_pred_labels)
print("Final Model Accuracy: {:.2f}%".format(accuracy * 100))
# Menampilkan classification report
report = classification_report(y_true=y_test_labels, y_pred=y_pred_labels, target_names=['Negatif', 'Netral', 'Positif'])
print("Classification Report:")
print(report)
data['Label_Hasil_Prediksi'] = None
data.loc[idx_test, 'Label_Hasil_Prediksi'] = y_pred_labels
data.to_csv('hasil_2_BARU_19MEI.csv', columns=['judul', 'isi', 'Label', 'Label_Hasil_Prediksi', 'Partai_Politik_Heuristic'], index=False, sep=';')
```
Dalam kode di atas, kita menyimpan semua model dari setiap fold dalam list `models` dan kemudian menggunakan semua model tersebut untuk memprediksi pada data tes. Selanjutnya, kita menghitung rata-rata prediksi dan menggunakan hasil tersebut untuk menghitung akurasi dan menampilkan laporan klasifikasi.