Classif Off A

Apa asumsi utama dari algoritma Naive Bayes?

• Semua fitur saling bergantung
• Fitur bersifat bebas bersyarat
• Data harus linier
• Distribusi data harus normal

Answer explanation

Naive Bayes mengasumsikan bahwa fitur bersifat bebas bersyarat (conditionally independent).

Naive Bayes rentan terhadap...

• Overfitting pada data besar
• Fitur yang sangat bergantung satu sama lain
• Data yang tidak seimbang
• Skala variabel

Answer explanation

Asumsi independensi tidak valid jika fitur saling bergantung, sehingga akurasi bisa turun.

Naive Bayes termasuk jenis algoritma...

• Non-parametrik
• Parametrik
• Berbasis jarak
• Tanpa model

Answer explanation

Naive Bayes adalah algoritma parametrik karena ia membuat asumsi tertentu tentang distribusi data.

Apa yang terjadi jika nilai k terlalu kecil (misalnya k=1)?

• Model terlalu umum
• Model menjadi terlalu lambat
• Model sangat rentan terhadap noise
• Akurasi meningkat drastis

Answer explanation

Nilai k kecil membuat model sensitif terhadap noise, karena hanya 1 tetangga dipertimbangkan.

Kapan k-NN cocok digunakan?

• Saat data sangat besar dan kompleks
• Saat distribusi data tidak diketahui
• Ketika fitur sangat bergantung satu sama lain
• Saat data berskala kecil dan bersih

Answer explanation

k-NN cocok untuk data kecil, karena waktu prediksi lambat jika data besar.

K-NN memerlukan proses apa sebelum diterapkan?

• Reduksi dimensi
• Normalisasi fitur
• Seleksi model
• Pembobotan prior

Answer explanation

Karena k-NN berbasis jarak, skala fitur sangat berpengaruh sehingga perlu normalisasi.

Kapan One R dapat menghasilkan hasil yang kompetitif?

• Saat fitur saling bergantung
• Saat ada fitur yang dominan
• Saat data tidak berlabel
• Saat fitur terlalu banyak

Answer explanation

Jika ada fitur tunggal yang sangat kuat dalam memprediksi kelas, One R bisa bekerja baik.

Apa kelemahan utama dari One R?

• Overfitting pada semua data
• Tidak efisien pada dataset besar
• Tidak mempertimbangkan fitur lain yang mungkin penting
• Terlalu banyak parameter

Answer explanation

Karena hanya menggunakan satu fitur, informasi dari fitur lain diabaikan.

Apa keuntungan dari Decision Stump?

• Selalu akurat
• Sangat kompleks
• Cepat dilatih dan sangat sederhana
• Tidak butuh data validasi

Answer explanation

Karena hanya satu level, Decision Stump sangat cepat dibuat dan diinterpretasi.

Apa batasan utama dari Decision Stump?

• Model terlalu kompleks
• Overfitting selalu terjadi
• Kinerja sangat terbatas jika digunakan sendiri
• Butuh data besar

Answer explanation

Sebagai model tunggal, Decision Stump terlalu sederhana untuk menangkap pola kompleks.