Worksheetsml 6 mei
Total questions: 25
Worksheet time: 13mins
Name
Class
Date
1.
Apa itu feature engineering?
a)
Proses menghapus data
b)
Proses membuat model
c)
Proses memilih algoritma
d)
Proses menciptakan fitur baru dari data yang ada
2.
Encoding digunakan untuk...
a)
Menulis ulang data
b)
Menghapus data duplikat
c)
Mengubah data kategorikal menjadi numerik
d)
Menyalin data
3.
Metode Feature Selection manakah yang tidak menggunakan model machine learning dalam prosesnya?
a)
Wrapper
b)
Embedded
c)
Filter
d)
RFE
4.
RFE dalam konteks Feature Selection merupakan contoh dari metode __________.
a)
Filter
b)
Wrapper
c)
Embedded
d)
Unsupervised
5.
Teknik Feature Selection yang terjadi selama pelatihan model disebut:
a)
Wrapper
b)
Embedded
c)
Filter
d)
Preprocessing
6.
Model linear seperti Lasso digunakan dalam Feature Selection jenis:
a)
Filter
b)
Wrapper
c)
Embedded
d)
None of the above
7.
Fungsi fit.support_ pada RFE menunjukkan:
a)
Urutan fitur berdasarkan pentingnya
b)
Nama fitur
c)
Boolean fitur yang dipilih
d)
Jumlah fitur
8.
Dalam Feature Importance, model decision tree mengukur pentingnya fitur menggunakan __________.
a)
akurasi
b)
nilai loss
c)
frekuensi muncul
d)
impurity reduction
9.
Salah satu metode populer untuk menghitung Feature Importance adalah:
a)
Linear Regression
b)
KNN
c)
Random Forest
d)
PCA
10.
Nilai model.feature_importances_ dalam Random Forest menunjukkan __________ masing-masing fitur.
a)
akurasi
b)
nilai prediksi
c)
pentingnya
d)
frekuensi
11.
Dalam konteks Feature Importance, mengapa kita perlu memplot nilai feature_importances_?
a)
Melihat hubungan antar fitur
b)
Mengetahui fitur penting
c)
Memeriksa missing value
d)
Mengetahui skor akurasi
12.
Library Python untuk visualisasi Feature Importance dengan bar chart adalah:
a)
NumPy
b)
Pandas
c)
Seaborn
d)
Matplotlib
13.
Pada metode Wrapper, proses pemilihan fitur dilakukan dengan cara mencoba berbagai subset fitur dan __________ performa model.
a)
mengabaikan
b)
menghitung
c)
menebak
d)
mengevaluasi
14.
Tujuan utama dari Dimensionality Reduction adalah:
a)
Meningkatkan jumlah fitur
b)
Mengurangi data
c)
Menurunkan kompleksitas fitur dengan tetap mempertahankan informasi penting
d)
Menambah akurasi
15.
Dua pendekatan umum dalam Dimensionality Reduction adalah __________ dan __________.
a)
Supervised dan Unsupervised
b)
PCA dan Clustering
c)
Feature Selection dan Feature Extraction
d)
Wrapper dan Filter
16.
PCA merupakan metode:
a)
Supervised
b)
Unsupervised
c)
Semi-supervised
d)
Manual
17.
Dalam PCA, principal components adalah:
a)
Asli dari fitur input
b)
Kombinasi acak fitur
c)
Kombinasi linear fitur asli
d)
Hasil clustering fitur
18.
Principal components dalam PCA disusun berdasarkan __________ variansi yang mereka jelaskan.
a)
jumlah
b)
frekuensi
c)
tingkat
d)
besarnya
19.
Proses pertama dalam PCA adalah:
a)
Clustering data
b)
Normalisasi data
c)
Menghitung eigenvector
d)
Menghilangkan outlier
20.
Jika PCA menghasilkan 2 principal components dari data dengan 10 fitur, maka hasil data baru memiliki:
a)
2 baris
b)
10 kolom
c)
2 kolom
d)
8 kolom
21.
PCA mengubah data dari ruang berdimensi tinggi ke dimensi yang lebih rendah dengan cara menjaga __________ sebanyak mungkin.
a)
label
b)
informasi
c)
noise
d)
missing value
22.
PCA termasuk teknik Dimensionality Reduction yang:
a)
Linear
b)
Non-linear
c)
Berdasarkan klasifikasi
d)
Tidak perlu preprocessing
23.
Library Python yang menyediakan fungsi PCA adalah:
a)
matplotlib
b)
seaborn
c)
sklearn.decomposition
d)
numpy.linalg
24.
Salah satu keuntungan utama dari Dimensionality Reduction adalah:
a)
Menambah kompleksitas model
b)
Meningkatkan overfitting
c)
Mengurangi noise dan kolinearitas
d)
Menyimpan semua fitur
25.
Dalam PCA, fitur baru bersifat orthogonal yang artinya __________ satu sama lain.
a)
berbeda skala
b)
berkorelasi tinggi
c)
tidak berkorelasi
d)
identik
100 %
