Kuis Serius - Supervised Learning

Supervised learning adalah jenis machine learning di mana..

• Model belajar dari data yang tidak berlabel.

• Model belajar dari data yang terlabel.

• Model tidak belajar sama sekali.

• Model hanya belajar dari data yang diacak.

Pada regresi, tujuan utama dari model adalah..

• Memprediksi kelas dari data.

• Memprediksi nilai berkelanjutan dari data.

• Mengelompokkan data menjadi beberapa kategori

• Menemukan pola dari data tanpa memprediksi.

Apa perbedaan utama antara regresi dan klasifikasi?

• Regresi menghasilkan output diskrit, sedangkan klasifikasi menghasilkan output kontinu.

• Regresi digunakan untuk memprediksi nilai berkelanjutan, sedangkan klasifikasi digunakan untuk mengkategorikan data.

• Regresi hanya dapat bekerja dengan data terstruktur, sedangkan klasifikasi dapat bekerja dengan data terstruktur dan tidak terstruktur.

• Regresi menghasilkan prediksi dengan akurasi yang lebih tinggi dibandingkan klasifikasi.

Mana di bawah ini yang bukan merupakan metrik evaluasi umum untuk regresi?

• Precision

• Mean Absolute Error (MAE)

• Mean Squared Error (MSE)

• R-squared

Jika Mean Squared Error (MSE) dari model regresi hampir mencapai 0, ini menunjukkan bahwa...

• Model tidak mampu melakukan prediksi sama sekali.

• Model telah memprediksi semua nilai dengan sangat baik.

• Model memiliki kesalahan terbesar dalam memprediksi data.

• MSE tidak memberikan informasi yang berguna tentang kualitas prediksi.

Salah satu metrik evaluasi yang umum digunakan dalam klasifikasi adalah...

• R-squared.

• F1-score.

• Mean Squared Error (MSE).

• Mean Absolute Error (MAE).

Akurasi dalam evaluasi klasifikasi mengukur...

• Kemampuan model untuk menemukan semua instance positif yang benar.

• Kemampuan model untuk menghindari memprediksi positif palsu.

• Proporsi keseluruhan prediksi yang benar.

• Kemampuan model untuk menemukan semua instance negatif yang benar.

Untuk data yang imbalanced, metrik evaluasi yang lebih disarankan dibandingkan accuracy adalah...

• Precision

• R-squared

• Mean Squared Error (MSE)

• F1-score

Dalam machine learning, apa yang dimaksud dengan "overfitting"?

• Ketika model terlalu sederhana dan tidak dapat menangkap patterns dalam data.

• Ketika model terlalu kompleks dan menangkap noise dalam data, sehingga performanya buruk di data baru.

• Ketika model memiliki accuracy 100% pada training data dan testing data.

• Ketika model hanya dapat bekerja pada satu jenis data tertentu.

Metode apa yang dapat digunakan untuk mengurangi overfitting dalam training model?

• Menambahkan lebih banyak features ke dalam model.

• Menggunakan model yang lebih kompleks.

• Menyederhanakan dataset dan ukuran dataset.

• Meningkatkan ukuran training dataset.