Data Science Day 4 - 1

Apa tujuan dari membuat model regresi linear?

• Untuk memperkirakan nilai variabel terikat berdasarkan nilai variabel bebas

• Untuk mengukur korelasi antara dua variabel

• Untuk mengidentifikasi outlier dalam data

• Untuk memvisualisasikan pola data

Langkah pertama dalam membuat model regresi linear adalah:

• Mengumpulkan data

• Melakukan uji normalitas pada data

• Menentukan variabel bebas dan terikat

• Menghitung koefisien korelasi antara variabel bebas dan terikat

Jika data memiliki bentuk distribusi yang condong (skewed), apa yang harus dilakukan sebelum membuat model regresi linear?

• Transformasi data

• Mengabaikan data yang condong

• Menambahkan variabel bebas

• Tidak perlu dilakukan apa-apa

Bagaimana cara menentukan apakah model regresi linear yang dibuat cukup baik atau tidak?

• Melihat nilai R-squared (R2)

• Melakukan uji signifikansi model

• Membandingkan hasil prediksi dengan nilai sebenarnya

• Semua jawaban benar

Apa yang dilakukan pada tahap akhir dalam membuat model regresi linear?

• Melakukan uji normalitas pada residual

• Menentukan variabel yang paling berpengaruh terhadap variabel terikat

• Melakukan prediksi menggunakan model yang telah dibuat

• Mencari nilai koefisien korelasi antara variabel bebas dan terikat

Apa yang menjadi metode evaluasi dari model logistic regression?

• Mean Squared Error (MSE)

• Root Mean Squared Error (RMSE)

• Confusion Matrix

• K-Nearest Neighbors (KNN)

Library yang digunakan untuk membuat visualisasi sebaran data adalah

• Seaborn

• Pandas

• Numpy

• Math

Apa yang dimaksud dengan model evaluasi dalam data science?

• Proses mengumpulkan data

• Proses menganalisis data

• Proses mengukur performa model

• Proses merancang model

Nilai yang dapat diukur menggunakan confusion-matrix adalah

• f1-measure

• precision

• recall

• semua jawaban benar

Apa yang dimaksud dengan confusion matrix?

• Matriks yang menunjukkan hasil prediksi model

• Matriks yang menunjukkan jumlah data dalam dataset

• Matriks yang menunjukkan korelasi antara fitur-fitur dalam data

• Matriks yang menunjukkan tingkat keakuratan model