Klasifikasi dengan kNN

Apa tujuan utama dari algoritma klasifikasi?

• Mengelompokkan data tanpa label

• Memprediksi nilai numerik kontinu

• Mengkategorikan data berdasarkan fitur yang diberikan

• Mengurangi dimensi data

Dalam algoritma kNN, bagaimana cara menentukan kelas suatu data baru?

• Menggunakan fungsi aktivasi seperti sigmoid

• Menghitung rata-rata nilai dari tetangga terdekat

• Membangun model regresi terlebih dahulu

• Menggunakan mayoritas kelas dari k tetangga terdekat

Apa dampak dari pemilihan nilai k yang terlalu kecil dalam kNN?

• Model menjadi terlalu kompleks dan sulit dilatih

• Model menjadi terlalu sensitif terhadap noise (overfitting)

• Model kehilangan detail dari data (underfitting)

• Model menjadi lebih cepat dalam melakukan prediksi

Metrik jarak mana yang paling umum digunakan dalam kNN?

• Jarak Euclidean

• Jarak Hamming

• Jarak Jaccard

• Jarak Cosine

Apa kelemahan utama dari algoritma kNN?

• Memerlukan waktu pelatihan yang lama

• Tidak cocok untuk data berdimensi tinggi

• Tidak dapat menangani data kategori

• Selalu menghasilkan akurasi tinggi

Dalam kNN, mengapa normalisasi atau standarisasi data sering diperlukan?

• Untuk meningkatkan jumlah sampel dalam dataset

• Untuk mengurangi jumlah fitur dalam dataset

• Agar fitur dengan skala besar tidak mendominasi perhitungan jarak

• Agar model lebih cepat dalam melakukan inferensi

Apa yang dimaksud dengan lazy learning dalam kNN?

• Model langsung membangun fungsi klasifikasi saat pelatihan

• Model menyimpan semua data latih dan melakukan perhitungan hanya saat prediksi

• Model mengabaikan data latih yang tidak relevan

• Model tidak memerlukan data latih sama sekali

Teknik apa yang dapat digunakan untuk mempercepat pencarian tetangga terdekat dalam kNN?

• Gradient Descent

• Bagging

• KD-Tree atau Ball Tree

• Backpropagation

Kapan algoritma kNN lebih disarankan untuk digunakan?

• Saat dataset memiliki fitur yang sangat banyak dan berdimensi tinggi

• Saat dataset berukuran kecil hingga sedang dengan fitur yang terdistribusi baik

• Saat ingin memprediksi nilai numerik kontinu

• Saat ingin mengurangi jumlah fitur dalam dataset

Jika terdapat dataset dengan banyak fitur yang tidak relevan, bagaimana dampaknya terhadap kNN?

• Model bisa mengalami kesulitan dalam menghitung jarak dengan benar

• Model menjadi lebih cepat dalam melakukan prediksi

• Akurasi meningkat karena lebih banyak fitur yang digunakan

• Nilai k tidak lagi berpengaruh terhadap hasil klasifikasi