Review Module ML

Di bawah ini yang bukan merupakan model atau algoritma yang umum digunakan dalam supervised learning adalah ...

• Linear Regression

• Logistic Regression

• KMeans

• Decision Tree

• Adaptive Boosting

Misalkan Anda diminta untuk mengimplementasikan fraud detection system pada sebuah transakasi keuangan. Diberikan beberapa pernyataan berikut ini:

1. 1. Sistem menghasilkan nilai peluang sebuah transaksi dikenali sebagai Fraud.

2. 2. Jumlah uang dalam transaksi dapat menjadi salah satu feature.

3. 3. Harus mengimplementasikan sistem ini dengan pendekatan machine learning.

4. 4. Harus memiliki jumlah transaksi fraud dan non-fraud yang sama untuk melatih model.

Pernyataan yang kurang tepat adalah…

• 1, 2, 4

• 2, 4

• 3, 4

• 2, 3

• 1, 4

Perhatikan persamaan model multiple linear regression. Pernyataan yang tepat adalah…

• Komponen dalam kotak kuning adalah slope

• Komponen dalam kotak hijau adalah explanatory variable

• Komponen dalam kotak merah adalah intercept

• Komponen dalam kotak biru adalah independent variable

• Komponen dalam kotak hijau adalah response variable

Pada kasus regresi, metode Least Squares (OLS) dapat digunakan untuk mengestimasi nilai parameter model dengan cara mencari ….

• Jumlah kuadrat dari nilai hasil prediksi dan data observasi yang sekecil mungkin

• Jumlah kuadrat dari nilai hasil prediksi dan data observasi yang sekecil mungkin

• Jumlah kuadrat dari nilai hasil prediksi dan data observasi yang mendekati 1

• Jumlah kuadrat selisih dari nilai hasil prediksi dengan data observasi yang mendekati 1

• Tidak ada jawaban yang benar

Fungsi calculate_metric pada kode di bawah ini akan menghitung sebuah evaluation metric yaitu ...

• MSE

• MAE

• MAPE

• RMSE

• R square

Dalam kasus klasifikasi sistem pendeteksi kanker, di mana orang yang menderita kanker diasumsikan sebagai positive class, false positive rate menandakan …

• Persentase jumlah pasien tidak kanker yang dideteksi sebagai pasien kanker

• Persentase jumlah pasien kanker yang dideteksi sebagai pasien tidak kanker

• Jumlah pasien tidak kanker yang dideteksi sebagai pasien kanker

• Jumlah pasien kanker yang dideteksi sebagai pasien tidak kanker

• Persentase jumlah pasien tidak kanker yang dideteksi sebagai pasien tidak kanker

Pada decision tree classification, splitting akan berhenti dilakukan jika terpenuhi kondisi-kondisi berikut ini:

1) Kedalaman tree sudah mencapai ketentuan

2) Jumlah elemen pada node sebelum melakukan splitting kurang dari ketentuan

3) Jumlah elemen pada node setelah melakukan splitting kurang dari ketentuan

4) Jumlah elemen pada node setelah melakukan splitting lebih dari ketentuan

5) Seluruh elemen pada leaf masuk ke dalam satu kelas saja

Pernyataan yang tepat ada pada nomor …

• 1, 2, 3

• 1, 2, 4

• 1, 2, 3, 5

• 1, 2, 4, 5

• 2, 4, 5

Bagian yang paling mungkin menyebabkan masalah evaluasi model pada potongan kode di bawah ini terdapat pada

• Pada baris ke-7, untuk membaca dataset seharusnya np.read_csv()

• Pada baris ke-15, proses splitting train set dan test set seharusnya sebelum model training

• Pada baris ke-15, train_test_split seharusnya menggunakan parameter stratify=y

• Pada baris ke-17, untuk prediksi seharusnya tree.predict(y_test)

• Pada baris ke-18, RMSE kurang tepat digunakan untuk evaluasi kasus regresi

Pernyataan yang tepat mengenai tabel di atas adalah …

• Model no.3 mengalami overfitting

• Model no.1 adalah model terbaik karena modelnya paling general/stabil

• Model no.2 mengalami underfitting

• Model no.1 kemungkinan dapat ditingkatkan performanya dengan menambah jumlah feature

• Model no.2 kemungkinan dapat ditingkatkan performanya dengan menambah jumlah feature

Di bawah ini yang merupakan pernyataan yang pasti benar mengenai decision tree yaitu ….

• Decision tree dapat digunakan untuk melakukan prediksi target yang bersifat continuous

• Nilai parameter min_samples_split yang besar akan menghasilkan tree yang dalam/besar

• Pada bagian bawah tree, nilai gini impurity cenderung lebih tinggi

• Nilai parameter min_samples_leaf yang besar akan menghasilkan tree yang dalam/besar

• Nilai parameter max_depth yang besar pasti akan menghasilkan jumlah node yang banyak