WorksheetsKuis Logistic Regression
Total questions: 25
Worksheet time: 13mins
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.
Dalam konteks regresi logistik, apa peran dari fungsi sigmoid dalam memetakan nilai output?
Fungsi sigmoid memperkirakan hasil untuk variabel dependen kontinu.
Fungsi sigmoid membantu dalam memetakan output menjadi nilai probabilitas antara 0 dan 1.
Fungsi sigmoid digunakan untuk menghitung error dalam model.
Fungsi sigmoid digunakan untuk menyaring data yang tidak relevan.
Fungsi sigmoid mengubah nilai variabel independen menjadi nilai probabilitas.
Apa yang dimaksud dengan istilah "multikolineritas" dalam logistic regression dan bagaimana pengaruhnya terhadap model?
Variabel independen yang memiliki hubungan linier yang kuat satu sama lain dapat menyebabkan ketidakstabilan dalam estimasi model.
Variabel dependen harus berada dalam bentuk kategorikal agar multikolineritas dapat dihitung.
Pengaruh multikolineritas sangat kecil dalam logistic regression, sehingga tidak memerlukan perhatian khusus.
Multikolineritas menyebabkan data menjadi lebih tersebar dan mempengaruhi threshold klasifikasi.
Penggunaan multikolineritas dapat meningkatkan prediksi dengan cara memperkaya model.
Bagaimana cara logistic regression menangani masalah pengklasifikasian data dengan lebih dari dua kategori?
Dengan menggunakan model regresi linier standar.
Dengan menggunakan multinomial logistic regression untuk mengklasifikasikan data ke dalam lebih dari dua kategori yang tidak terurut.
Dengan membagi data menjadi dua kategori dan mengklasifikasikan kembali.
Dengan membangun beberapa model regresi biner untuk setiap kategori.
Dengan menggunakan algoritma regresi ordinal untuk mengelompokkan kategori terurut.
Pada model logistic regression, bagaimana cara kerja threshold untuk membuat keputusan klasifikasi?
Nilai threshold digunakan untuk menentukan batas antara data yang diklasifikasikan sebagai 0 dan 1.
Threshold membantu menentukan koefisien yang terbaik untuk setiap variabel independen.
Threshold berfungsi untuk menyesuaikan distribusi data agar lebih rata.
Threshold digunakan untuk menghitung residual error dalam model.
Threshold berfungsi untuk mengoptimalkan hasil regresi linier.
Dalam kasus apa logistic regression lebih unggul dibandingkan dengan linear regression?
Ketika hasil variabel dependen adalah nilai kontinu.
Ketika hasil variabel dependen adalah kategorikal dengan dua nilai (misalnya, lulus/gagal).
Ketika data memiliki lebih dari dua kategori yang tidak terurut.
Ketika hubungan antar variabel independen sangat kuat.
Ketika dataset sangat besar dan memerlukan banyak estimasi.
Apa yang membedakan binomial logistic regression dengan ordinal logistic regression?
Binomial logistic regression digunakan untuk data terurut, sedangkan ordinal logistic regression untuk data kategorikal biner.
Binomial logistic regression digunakan untuk data kategorikal dengan dua kategori, sementara ordinal logistic regression untuk data kategorikal dengan beberapa kategori terurut.
Binomial logistic regression hanya digunakan untuk data dengan tiga kategori, sedangkan ordinal digunakan untuk dua kategori.
Binomial logistic regression lebih sederhana dan tidak memerlukan threshold, sedangkan ordinal membutuhkan threshold yang lebih kompleks.
Binomial logistic regression hanya digunakan dalam analisis finansial, sedangkan ordinal logistic regression digunakan untuk analisis sosial.
Mengapa regresi linier tidak dapat digunakan untuk masalah klasifikasi yang memiliki hasil kategorikal seperti "lulus/gagal"?
Regresi linier tidak dapat menghasilkan probabilitas antara 0 dan 1.
Regresi linier tidak dapat menangani data kategorikal.
Regresi linier hanya cocok untuk data numerik kontinu.
Regresi linier membutuhkan asumsi yang lebih kompleks tentang distribusi data.
Semua jawaban di atas benar.
Dalam suatu dataset dengan dua kategori, jika logistic regression memprediksi probabilitas 0.2, bagaimana keputusan klasifikasi akan diambil jika threshold 0.5 digunakan?
Hasil klasifikasi akan menjadi 1, karena probabilitas lebih rendah dari threshold.
Hasil klasifikasi akan menjadi 0, karena probabilitas lebih rendah dari threshold.
Hasil klasifikasi tidak dapat diputuskan.
Hasil klasifikasi akan menjadi 1, karena probabilitas lebih tinggi dari threshold.
Hasil klasifikasi akan menjadi 0, karena model tidak dapat menentukan.
Jika Anda menggunakan regresi multinomial untuk mengklasifikasikan data dengan kategori "Merah", "Biru", dan "Hijau", kategori mana yang menjadi referensi dalam model tersebut?
Merah
Biru
Hijau
Tidak ada kategori referensi yang
Semua kategori digunakan sebagai referensi.
Sebuah rumah sakit menggunakan logistic regression untuk memprediksi apakah pasien akan pulih setelah operasi (Ya/Tidak). Variabel independennya mencakup usia, jenis kelamin, dan riwayat penyakit. Apa yang harus diperiksa terlebih dahulu sebelum membangun model?
Memastikan tidak ada multikolineritas antara variabel independen.
Menentukan jenis threshold untuk mengklasifikasikan data.
Memeriksa apakah data terdistribusi normal.
Memastikan variabel dependen berupa nilai kontinu.
Menggunakan data dari satu jenis kelamin untuk kesederhanaan.
Sebuah perusahaan minyak dan gas menggunakan logistic regression untuk memprediksi kemungkinan terjadinya kegagalan pada sumur pengeboran berdasarkan parameter seperti kedalaman sumur, tekanan, dan temperatur. Apa yang harus diperhatikan perusahaan sebelum menggunakan model ini?
Memastikan bahwa semua variabel independen memiliki hubungan linier yang kuat.
Memeriksa bahwa variabel dependen adalah kategorikal dan bersifat biner (misalnya, "Gagal/Tidak Gagal").
Menentukan threshold yang sangat tinggi untuk klasifikasi agar model lebih akurat.
Menggunakan model regresi linier alih-alih logistic regression untuk hasil yang lebih tepat.
Memastikan bahwa semua data yang digunakan tidak mengandung outlier.
Dalam industri pengeboran minyak, logistic regression digunakan untuk memprediksi apakah operasi pengeboran akan menghasilkan hasil yang menguntungkan (Ya/Tidak). Faktor-faktor seperti kedalaman pengeboran dan kondisi geologi digunakan sebagai variabel independen. Apa yang harus dipertimbangkan untuk menghindari kesalahan dalam model?
Menggunakan data historis yang hanya mencakup operasi yang sukses.
Memastikan bahwa tidak ada multikolineritas antara variabel independen seperti kedalaman dan tekanan.
Meningkatkan jumlah kategori dalam variabel dependen menjadi lebih dari dua.
Memastikan model dapat menangani data dengan kategori yang lebih dari dua.
Menggunakan regresi linier untuk memperkirakan hasil pengeboran.
Perusahaan geothermal menggunakan logistic regression untuk memprediksi kemungkinan keberhasilan pengeboran sumur panas bumi berdasarkan variabel seperti suhu reservoir, kedalaman pengeboran, dan jenis batuan. Apa yang harus diperhatikan perusahaan untuk memastikan bahwa model logistic regression mereka efektif?
Memastikan variabel dependen bersifat kontinu agar cocok dengan model regresi.
Menggunakan data yang hanya mencakup sumur panas bumi yang telah berhasil dieksplorasi.
Mengatur threshold pada level yang sangat rendah untuk menghindari false positive.
Memastikan bahwa variabel dependen adalah kategorikal dengan dua hasil (Misalnya, "Sukses/Gagal").
Meningkatkan ukuran dataset dengan data yang tidak relevan agar model lebih beragam.
Sebuah perusahaan minyak menggunakan logistic regression untuk memprediksi apakah peralatan pengeboran akan mengalami kerusakan selama operasi berdasarkan variabel seperti usia peralatan, jumlah penggunaan, dan pemeliharaan. Apa yang perlu dihindari dalam pengolahan data sebelum membangun model?
Memastikan bahwa data pemeliharaan peralatan tidak memiliki missing values atau outliers.
Menggunakan model regresi linier karena data yang digunakan bersifat kategorikal.
Memastikan bahwa usia peralatan dimasukkan sebagai variabel biner (misalnya, "Tua/Baru").
Menyertakan variabel independen yang tidak relevan untuk meningkatkan akurasi.
Mengabaikan dampak multikolineritas dalam data yang digunakan.
Perusahaan geothermal menggunakan logistic regression untuk memprediksi kemungkinan kebocoran gas di daerah pengeboran panas bumi berdasarkan faktor-faktor seperti tekanan gas dan kondisi tanah. Apa yang perlu dipertimbangkan terkait penggunaan model ini?
Menggunakan model klasifikasi biner untuk mengklasifikasikan kejadian kebocoran (Ya/Tidak).
Menggunakan regresi linier karena data lebih cocok untuk prediksi kontinu.
Mengurangi jumlah kategori dalam variabel dependen menjadi lebih dari dua.
Mengabaikan faktor geografis karena tidak relevan dengan kebocoran gas.
Menggunakan variabel prediktor yang tidak terukur untuk memperluas cakupan model.
