Machine Learning 1

Di bawah ini yang bukan merupakan model atau algoritma yang umum digunakan dalam supervised learning adalah

• Linear Regression

• Logistic Regression

• KMeans

• Adaptive Boosting

Misalkan Anda diminta untuk mengimplementasikan fraud detection system pada sebuah

transakasi keuangan. Diberikan beberapa pernyataan berikut ini.

1) Sistem Anda akan menghasilkan nilai yaitu besarnya peluang sebuah transaksi untuk dikenali sebagai Fraud (penipuan).

2) Jumlah uang dalam transaksi dapat menjadi salah satu feature untuk melakukan prediksi.

3) Anda harus mengimplementasikan sistem ini dengan pendekatan machine learning.

4) Anda harus memiliki jumlah transaksi fraud dan non-fraud yang sama untuk melatih machine learning model Anda.

Pernyataan yang kurang tepat adalah

• 1, 2, 4

• 2, 3

• 2, 4

• 3, 4

Perhatikan persamaan model multiple linear regression tersebut.

Pernyataan yang tepat adalah

• Komponen dalam kotak kuning adalah slope

• Komponen dalam kotak merah adalah intercept

• Komponen dalam kotak biru adalah independent variable

• Komponen dalam kotak hijau adalah response variable

Di bawah ini yang termasuk ke dalam asumsi gauss-markov, kecuali :

• Rata-rata error pada populasi adalah nol

• Error tidak berkorelasi dengan error lainnya

• Error memiliki ragam yang homogen

• Adanya korelasi yang tinggi antara variabel independen

Metode Least Squares pada kasus regresi dapat digunakan untuk mengestimasi nilai parameter model sehingga nilai sum of squared error-nya dapat sekecil mungkin, yang ditandai dengan

• Jumlah dari nilai hasil prediksi dan data observasinya sekecil mungkin

• Jumlah selisih dari nilai hasil prediksi dengan data observasinya sekecil mungkin

• Jumlah dari nilai hasil prediksi dan data observasinya mendekati 1

• Jumlah selisih dari nilai hasil prediksi dengan data observasinya mendekati 1

Fungsi calculate_metric pada kode di samping akan menghitung sebuah evaluation metric yaitu

• MSE

• MAE

• MAPE

• RMSE

Dalam kasus sistem pendeteksi kanker, di mana orang yang menderita kanker diasumsikan  sebagai positive class, false positive rate menandakan

• Persentase jumlah pasien tidak kanker yang dideteksi sebagai pasien kanker

• Jumlah pasien tidak kanker yang dideteksi sebagai pasien kanker

• Persentase jumlah pasien kanker yang dideteksi sebagai pasien tidak kanker

• Jumlah pasien kanker yang dideteksi sebagai pasien tidak kanker

Pada decision tree classification, splitting akan berhenti dilakukan jika terpenuhi kondisi-kondisi berikut ini:

1) Kedalaman tree sudah mencapai ketentuan

2) Jumlah elemen pada node sebelum melakukan splitting kurang dari ketentuan

3) Jumlah elemen pada node setelah melakukan splitting kurang dari ketentuan

4) Jumlah elemen pada node setelah melakukan splitting lebih dari ketentuan

5) Seluruh elemen pada node masuk ke dalam satu kelas saja

Pernyataan yang tepat ada pada nomor

• 1, 2, 3

• 1, 2, 4

• 1, 2, 3, 5

• 1, 2, 4, 5

Di bawah ini yang merupakan pernyataan yang pasti benar mengenai decision tree yaitu

• Decision tree dapat digunakan untuk melakukan prediksi target yang bersifat continuous

• Nilai parameter min_samples_split yang besar akan menghasilkan tree yang dalam/besar

• Pada bagian bawah tree, nilai gini impurity cenderung lebih tinggi

• Nilai parameter max_depth yang kecil akan menghasilkan jumlah node yang banyak

Bagian yang paling mungkin menyebabkan masalah evaluasi model pada potongan kode di bawah ini terdapat pada

• Pada baris ke-18, mean_squared_error digunakan untuk evaluasi kasus regresi

• Pada baris ke-17, untuk prediksi seharusnya tree.predict(y_test)

• Pada baris ke-15, train_test_split seharusnya menggunakan parameter stratify=y

• Pada baris ke-15, proses splitting train set dan test set seharusnya sebelum model training