KASDD - PCA

Dimensi dalam konteks KA dan Sains Data merujuk pada

• Jumlah dimensi ruang

• Jumlah atribut yang digunakan

• Jumlah data yang digunakan

• Jumlah atribut numerik yang digunakan

Hughes phenomenon adalah..

• Lebih banyak fitur/atribut selalu lebih baik

• Lebih banyak fitur/atribut tidak akan lebih baik

• Lebih banyak fitur/atribut belum tentu lebih baik

• Semua salah

Untuk mengurangi dimensi, teknik yang dapat dilakukan adalah

• Feature Selection

• Dimensionality Reduction

• Keduanya salah

• Keduanya benar

Principle component analysis adalah salah satu teknik

• Feature Selection

• Dimensionality Reduction

• Keduanya salah

• Keduanya benar

PCA melakukan transformasi data terhadap koordinat basis yang berbeda. Basis yang baru dipilih yang..

• Paling mencakup variansi data

• Paling mencakup mean data

• Paling mencakup range data

• Paling mencakup perubahan data

Langkah-langkah PCA dimulai dengan ........, untuk......

• Standardisasi nilai, memindahkan nilai ke koordinat origin

• Standardisasi nilai, menyamakan range nilai

• Normalisasi nilai, memindahkan nilai ke koordinat origin

• Normalisasi nilai, menyamakan range nilai

Pada langkah ke 3, nilai dan vektor eigen dihitung dari matriks...

• Matriks Kovarian

• Matriks data mentah

• Matriks vektor eigen

• Matriks korelasi

Pada langkah ke 4, nilai eigen diurutkan dari besar ke kecil. Mengapa?

• Nilai terbesar berkorespondensi dengan vektor eigen yang merupakan principal komponen pertama

• Nilai terkecil berkorespondensi dengan vektor eigen yang merupakan principal komponen terakhir

• Nilai eigen terurut berkorespondensi dengan vektor eigen sesuai pentingnya komponen

• Semua benar

Pada langkah ke 5, matriks transformasi dapat dibentuk dari:

• Principle component yang diurutkan column wise

• Principle component yang diurutkan row wise

• Principle component yang diurutkan column wise kemudian diinverskan

• Principle component yang diurutkan row wise kemudian diinverskan

Untuk melakukan reduksi dimensi, pada langkah ke 5, tidak semua vektor eigen/principle component digunakan dalam matriks transformasi. Berapa banyak vektor yang perlu digunakan?

• 50% dari dimensi semula

• 25% dari dimensi semula

• Tergantung nilai eigennya

• Tergantung explained variancenya