quiz knn

Apa prinsip utama dari algoritma K-Nearest Neighbors (KNN)?

• Membangun model regresi dari data pelatihan

• Menghitung jarak dan memilih tetangga terdekat untuk klasifikasi

• Membentuk pohon keputusan dari data

• Menggunakan probabilitas untuk mengklasifikasikan data

Dalam algoritma KNN, huruf “K” merujuk pada…

• Jumlah fitur yang digunakan

• Jarak maksimum antar data

• Jumlah tetangga terdekat yang dipertimbangkan

• Kategori data latih

KNN termasuk dalam kategori algoritma…

• Unsupervised Learning

• Supervised Learning

• Reinforcement Learning

• Self-Learning

KNN termasuk jenis lazy learner karena…

• Tidak memerlukan data latih

• Membuat model dengan cepat

• Tidak melakukan proses pelatihan eksplisit

• Hanya cocok untuk data teks

Kekurangan utama algoritma KNN adalah…

• Tidak bisa digunakan untuk regresi

• Hanya bisa digunakan untuk data teks

• Lambat saat memprediksi data baru pada dataset besar

• Tidak bisa digunakan untuk klasifikasi multi-kelas

Untuk meningkatkan performa KNN, teknik yang paling tepat digunakan adalah…

• Principal Component Analysis (PCA)

• Normalisasi data dan pemilihan nilai K yang tepat

• Pengurangan jumlah label kelas

• Penambahan jumlah fitur sebanyak mungkin

Dalam studi kasus prediksi stroke, apa fitur yang paling relevan?

• Warna rambut dan tinggi badan

• Usia, tekanan darah, dan glukosa darah

• Jenis kelamin dan nama lengkap

• Golongan darah dan alamat rumah

Apa tujuan penggunaan Bagging pada algoritma KNN?

• Mengurangi jumlah data latih

• Menghindari overfitting dan meningkatkan akurasi

• Mengurangi fitur input

• Mengubah klasifikasi menjadi regresi

Curse of dimensionality dalam KNN merujuk pada…

• Jarak antar data menjadi semakin tidak relevan jika fitur terlalu banyak

• Jumlah tetangga terlalu kecil

• Data numerik tidak bisa digunakan

• Prediksi menjadi lebih cepat

Output dari algoritma KNN dalam tugas klasifikasi ditentukan berdasarkan…

• Hasil perkalian antar fitur

• Nilai rata-rata tetangga

• Jumlah label terbanyak dari tetangga terdekat

• Nilai probabilitas masing-masing fitur