Error Based Learning

Berdasarkan proses Gradient Descent yang ditunjukkan, mengapa Learning Rate Decay diperlukan dalam algoritma optimasi?

• Untuk memastikan Sum of Squared Errors (SSE) tidak pernah mencapai nol

• Untuk membuat t-statistic dari bobot menjadi signifikan secara statistik

• Untuk memungkinkan langkah besar di awal pelatihan dan langkah kecil yang presisi di akhir (menghindari overshoot)

• Agar backpropagation dapat menghitung gradien yang stabil

Dalam interpretasi model regresi linier multivariabel, jika sebuah fitur menghasilkan t-statistic yang mendekati nol dan p-value 0.89, apa kesimpulan statistiknya?

• Bobot fitur harus ditolak karena Standard Error-nya terlalu kecil

• Gagal menolak Hipotesis Nol, menyimpulkan bahwa fitur tidak memiliki dampak signifikan pada model

• Menerima Hipotesis Nol, menyimpulkan bahwa fitur memiliki dampak signifikan pada model

• Fitur memiliki hubungan linier yang kuat dengan variabel target karena t-statistic kecil

Apa alasan utama Fungsi Logistik (Sigmoid) digunakan dalam Regresi Logistik, menggantikan ambang batas keras (hard threshold) linier, untuk memprediksi target kategorikal?

• Fungsi Logistik memungkinkan model untuk memprediksi probabilitas di luar rentang (0, 1)

• Fungsi Logistik mengubah masalah klasifikasi biner menjadi masalah multikelas

• Fungsi Logistik menghasilkan p-value yang lebih rendah untuk setiap bobot model

• Fungsi Logistik kontinu dan diferensiabel, menyediakan gradien yang stabil di mana saja, yang memungkinkan algoritma Gradient Descent untuk bekerja

Dibandingkan dengan Regresi Logistik, apa tujuan utama Support Vector Machine (SVM) dan elemen mana yang paling menentukan batas keputusannya?

• Tujuannya adalah memodelkan probabilitas setiap kelas menggunakan Hinge Loss

• Tujuannya adalah memaksimalkan t-statistic, ditentukan oleh p-value

• Tujuannya adalah mencari Margin Maksimal yang memisahkan kelas, ditentukan secara eksklusif oleh Support Vectors terdekat

• Tujuannya adalah mengklasifikasikan data non-linier menggunakan Linear Kernel dan Hard Threshold

Dalam SVM, titik-titik data yang paling dekat dengan hyperplane dan menentukan lebar margin disebut Support Vectors

• True

• False