Kuis Logistic Regression

Apa perbedaan kunci antara Regresi Logistik dan Regresi Linier?

• Regresi Logistik digunakan untuk menyelesaikan masalah klasifikasi, sementara Regresi Linier digunakan untuk masalah regresi.

• Regresi Logistik dapat memprediksi nilai kontinu, sementara Regresi Linier dapat memprediksi nilai kategorikal.

• Regresi Logistik menggunakan fungsi logistik, sementara Regresi Linier menggunakan kurva S.

• Regresi Logistik tidak cocok untuk dataset besar, sementara Regresi Linier cocok.

• Regresi Logistik membutuhkan lebih sedikit asumsi dibandingkan Regresi Linier.

Bagaimana fungsi sigmoid dalam regresi logistik membantu dalam prediksi?

• Ini mengubah output agar sesuai dalam rentang antara 0 dan 1.

• Ini memetakan data input ke garis lurus.

• Ini digunakan untuk membuat garis regresi untuk klasifikasi.

• Ini menerapkan peluruhan eksponensial pada output.

• Ini meminimalkan kesalahan antara nilai aktual dan nilai yang diprediksi.

Manakah dari berikut ini adalah asumsi dari regresi logistik?

• Variabel dependen harus kontinu.

• Variabel independen harus memiliki multi-kolinearitas.

• Variabel dependen harus kategorikal.

• Model harus menggunakan kurva berbentuk S untuk prediksi.

• Variabel independen tidak boleh saling berkorelasi.

Jenis regresi logistik mana yang paling baik digunakan ketika variabel dependen memiliki lebih dari dua kategori yang tidak terurut?

• Regresi Logistik Binomial

• Regresi Logistik Ordinal

• Regresi Logistik Multinomial

• Regresi Linier

• Transformasi Logit

Dalam skenario mana regresi logistik ordinal paling tepat?

• Memprediksi apakah seorang pelanggan akan membeli produk (Ya/Tidak)

• Memprediksi tingkat pendidikan (Rendah, Sedang, Tinggi)

• Memprediksi harga rumah

• Memprediksi apakah seorang pelanggan akan lulus atau gagal ujian

• Memprediksi jenis kelamin pelanggan (Laki-laki/Perempuan)

Apa yang ingin dicapai oleh persamaan regresi logistik?

• Memprediksi nilai kontinu

• Mengubah garis lurus menjadi kurva S

• Memprediksi nilai kategorikal biner

• Menghitung kesalahan antara nilai yang diamati dan yang diprediksi

• Mengubah nilai kategorikal menjadi data numerik

Bagaimana regresi logistik menangani multi-kolinearitas dalam variabel independen?

• Dengan meningkatkan kompleksitas model

• Dengan mengabaikan multikolinearitas dalam dataset

• Dengan menerapkan teknik regularisasi

• Dengan mengurangi jumlah prediktor untuk menghindari redundansi

• Dengan menggunakan algoritma pohon keputusan sebagai gantinya

Jika model regresi logistik memprediksi probabilitas 0.8, apa artinya ini tentang hasil?

• Hasil pasti akan menjadi 1.

• Hasil memiliki probabilitas tinggi untuk menjadi 0.

• Hasil diprediksi menjadi 1 dengan probabilitas 0.8.

• Hasil tidak dapat diprediksi.

• Model perlu disesuaikan karena probabilitas melebihi 1.

Manakah dari berikut ini yang TIDAK benar mengenai fungsi logistik yang digunakan dalam regresi logistik?

• Ini mengubah nilai output antara 0 dan 1.

• Ini sama dengan fungsi linier yang digunakan dalam regresi linier.

• Ini membantu memprediksi hasil biner.

• Ini menggunakan ambang batas untuk mengklasifikasikan hasil menjadi 0 atau 1.

• Ini selalu digunakan dengan variabel dependen kategorikal.

Sebuah tim pemasaran menggunakan regresi logistik untuk memprediksi apakah seorang pelanggan akan membeli produk (Ya/Tidak). Manakah dari asumsi berikut yang harus mereka verifikasi sebelum melanjutkan dengan analisis?

• Variabel independen bersifat kontinu dan tidak memiliki korelasi.

• Variabel dependen bersifat kategorikal dan biner.

• Fungsi logistik akan sesuai dengan data dalam pola pertumbuhan eksponensial.

• Tidak boleh ada data yang hilang dalam variabel dependen.

• Dataset harus memiliki lebih dari tiga kategori.