preprocessing

Apa tujuan utama dari preprocessing dalam machine learning?

• Mengurangi jumlah data
• Menyiapkan data agar dapat digunakan oleh model machine learning
• Menghapus semua data yang tidak relevan
• Menghasilkan model dengan akurasi 100%

Teknik mana yang digunakan untuk menangani nilai yang hilang dalam dataset?

• Standardization
• Imputation
• Normalization
• Feature Selection

Apa perbedaan utama antara Normalization dan Standardization?

• Normalization mengubah data menjadi distribusi normal
• Normalization mengubah data dalam rentang 0-1
• Standardization hanya digunakan untuk data kategorikal
• Tidak ada perbedaan

Sklearn menyediakan alat preprocessing dalam modul apa?

• sklearn.model_selection
• sklearn.preprocessing
• sklearn.preprocessing_tools
• sklearn.pipeline

Apa yang dilakukan oleh MinMaxScaler?

• Mengubah semua nilai menjadi nol
• Memetakan fitur ke dalam rentang tertentu, biasanya 0 hingga 1
• Menyusun ulang nilai dalam bentuk kategori
• Menghapus data duplikat

Kapan kita harus menggunakan StandardScaler?

• Jika data memiliki distribusi normal
• Jika data memiliki banyak outlier
• Jika semua fitur dalam dataset bersifat kategorikal
• Jika data sudah terurut

Apa keuntungan menggunakan One-Hot Encoding dalam preprocessing data kategorikal?

• Meminimalkan penggunaan memori
• Menghindari interpretasi ordinal yang salah pada variabel kategorikal
• Menghapus data yang tidak relevan
• Mengubah data menjadi bilangan bulat

Mengapa feature scaling penting dalam machine learning?

• Untuk meningkatkan kecepatan pelatihan model
• Untuk memastikan semua fitur memiliki kontribusi yang seimbang dalam model
• Untuk mengurangi kemungkinan overfitting
• Semua jawaban benar

Teknik mana yang dapat digunakan untuk encoding variabel kategorikal?

• Label Encoding
• One-Hot Encoding
• Ordinal Encoding
• Semua jawaban benar

Apa yang terjadi jika kita tidak melakukan scaling pada dataset yang memiliki fitur dengan rentang nilai yang sangat berbeda?

• Model akan tetap bekerja dengan baik
• Fitur dengan nilai besar akan mendominasi proses pembelajaran
• Model akan menjadi lebih cepat
• Tidak ada dampak apa pun