Kuis Day 17 Serius - ML Batch 1

Ensemble learning dapat digunakan untuk mengatasi masalah overfitting dan underfitting. Berikut ini adalah pernyataan yang benar tentang hubungan antara ensemble learning dan overfitting

• Ensemble learning dapat mengurangi overfitting dengan mengurangi varians model.

• Ensemble learning dapat mengurangi overfitting dengan mengurangi bias model.

• Ensemble learning dapat mengurangi overfitting dengan meningkatkan varians model.

• Ensemble learning dapat mengurangi overfitting dengan meningkatkan bias model.

Berikut ini adalah pernyataan yang benar tentang hubungan antara ensemble learning dan underfitting:

• Ensemble learning dapat mengurangi underfitting dengan mengurangi varians model.

• Ensemble learning dapat mengurangi underfitting dengan mengurangi bias model.

• Ensemble learning dapat mengurangi underfitting dengan meningkatkan varians model.

• Ensemble learning dapat mengurangi underfitting dengan meningkatkan bias model.

Bagging adalah sebuah teknik ensemble learning yang menggunakan teknik bootstrap untuk melatih beberapa model. Berikut ini adalah pernyataan yang benar tentang teknik bootstrap:

• Teknik bootstrap mengambil sampel acak data pelatihan dengan ukuran yang sama dengan data pelatihan asli.

• Teknik bootstrap mengambil sampel acak data pelatihan dengan ukuran yang lebih kecil dari data pelatihan asli.

• Teknik bootstrap mengambil sampel acak data pelatihan dengan ukuran yang lebih besar dari data pelatihan asli.

• Teknik bootstrap mengambil sampel acak data pelatihan tanpa pengulangan.

Dalam bagging, setiap model dilatih pada data pelatihan yang berbeda. Berikut ini adalah pernyataan yang benar tentang hubungan antara jumlah model dan akurasi prediksi bagging:

• Akurasi prediksi bagging meningkat seiring dengan bertambahnya jumlah model.

• Akurasi prediksi bagging menurun seiring dengan bertambahnya jumlah model.

• Akurasi prediksi bagging tidak bergantung pada jumlah model.

• Akurasi prediksi bagging dapat meningkat atau menurun tergantung pada jumlah model.

Boosting adalah sebuah teknik ensemble learning yang secara iteratif membangun model baru berdasarkan performanya pada data yang salah diprediksi oleh model sebelumnya. Berikut ini adalah pernyataan yang benar tentang boosting:

• Boosting menggabungkan beberapa model secara linear.

• Boosting memberikan bobot lebih besar kepada data yang salah diprediksi oleh model sebelumnya.

• Boosting selalu mengarah pada akurasi prediksi yang lebih tinggi.

• Boosting tidak rentan terhadap overfitting.

Adaptive boosting (AdaBoost) adalah salah satu algoritma boosting yang terkenal. Berikut ini adalah pernyataan yang benar tentang AdaBoost:

• AdaBoost menggunakan decision tree sebagai base learner.

• AdaBoost hanya dapat digunakan untuk regresi dan tidak bisa untuk klasifikasi.

• AdaBoost tidak memerlukan penentuan hyperparameter.

• AdaBoost selalu menjamin akurasi prediksi yang sempurna.

Keberhasilan stacking bergantung pada pemilihan model dasar yang tepat. Berikut ini adalah faktor yang penting dalam memilih model dasar untuk stacking:

• Keanekaragaman model dasar.

• Kompleksitas model dasar.

• Akurasi individual model dasar.

• Semua jawaban benar.

Optuna adalah sebuah library Python yang dapat digunakan untuk melakukan tuning hyperparameter untuk model machine learning. Berikut ini adalah pernyataan yang benar tentang Optuna:

• Optuna hanya dapat digunakan untuk tuning hyperparameter untuk model ensemble.

• Optuna dapat digunakan untuk tuning hyperparameter untuk model tunggal maupun ensemble.

• Optuna menggunakan algoritma grid search untuk melakukan tuning hyperparameter.

• Optuna menggunakan algoritma Bayesian optimization untuk melakukan tuning hyperparameter.

Metode evaluasi yang paling umum digunakan untuk ensemble models regresi adalah:

• Mean absolute error (MAE).

• Mean squared error (MSE).

• Root mean squared error (RMSE).

• Semua jawaban benar.

Underfitting adalah masalah yang juga dapat terjadi dalam klasifikasi. Berikut ini adalah pernyataan yang benar tentang underfitting:

• Underfitting terjadi ketika model tidak cukup cocok dengan data pelatihan.

• Underfitting dapat menyebabkan model menghasilkan prediksi yang tidak akurat untuk data pelatihan.

• Underfitting dapat dihindari dengan menggunakan model yang lebih kompleks.

• Semua jawaban benar.