Ensemble Learning

Apakah tujuan dari ensemble learning?

• Mempercepat proses learning

• Meningkatkan performansi

Cara kerja ensemble learning adalah dengan .....

• Mengkombinasikan beberapa model

• Mencari setting parameter yang paling optimal

• Memilih example yang paling tepat pada data training

Karakteristik Bias Error adalah ....

• Error pada training tinggi dan error pada test juga tinggi

• Error pada training rendah sementara error pada test tingi

Bagaimana cara kerja metode Bagging sehingga dapat menurunkan Variance Error tanpa meningkatkan Bias Error?

• Mengurangi jumlah example pada training set

• Menambah kompleksitas model, misal dengan menambah hidden unit pada Artificial Neural Network

• Average the models

Manakah dari berikut ini yang merupakan metode utama dalam Ensemble Learning?

• CNN, RNN, LSTM

• Supervised, Unsupervised, Reinforcement

• Clustering, Regression, Classification

• Bagging, Boosting, Stacking

Apa tujuan utama dari Bagging dalam Ensemble Learning?

• Mengurangi bias

• Mengurangi varians

• Meningkatkan kecepatan pelatihan model

• Meningkatkan overfitting

Algoritma apa yang paling sering digunakan dalam metode Bagging?

• Decision Tree

• Support Vector Machine

• Naïve Bayes

• K-Means

Apa perbedaan utama antara Bagging dan Boosting?

• Bagging melatih model secara independen, sementara Boosting melatih model secara bertahap

• Boosting mengurangi varians, sedangkan Bagging mengurangi bias

• Bagging bekerja lebih baik pada data kecil, sedangkan Boosting hanya untuk data besar

• Boosting tidak bisa digunakan untuk klasifikasi

Dalam Stacking, model yang menggabungkan hasil dari beberapa model disebut sebagai:

• Base model

• Meta Model

• Weak Model

• Root Model

Mengapa Ensemble Learning sering digunakan dalam machine learning?

• Karena lebih cepat dibandingkan model tunggal

• Karena meningkatkan performa model dengan mengurangi kesalahan

• Karena lebih mudah diimplementasikan daripada model tunggal

• Karena tidak memerlukan data yang besar