Menghapus fitur yang tidak diperlukan

Belajar dari data dan label untuk mengenali pola

Menganalisis data secara manual

Menampilkan hasil akhir tanpa evaluasi

Hasil akhir dari analisis data

Variabel independen yang digunakan sebagai input dalam sistem

Informasi yang tidak relevan dalam dataset

Kesalahan dalam data yang perlu diperbaiki

Menyimpan data tanpa analisis

Memahami pola dalam data tanpa bantuan manusia

Memprediksi hasil berdasarkan data berlabel

Menghapus data yang memiliki label

Classification digunakan untuk memprediksi nilai kontinu

Regression digunakan untuk mengklasifikasikan data dalam kategori tertentu

Classification menghasilkan output dalam bentuk kategori, sedangkan regression dalam bentuk kontinu

Regression tidak memerlukan data berlabel

Mengklasifikasikan data ke dalam kategori tertentu

Menjalankan prediksi berdasarkan data berlabel

Mengelompokkan data ke dalam grup yang memiliki kesamaan fitur tanpa label

Menampilkan hasil tanpa proses pembelajaran

Menghapus model yang tidak berfungsi

Menentukan apakah model dapat membuat prediksi yang akurat pada data baru

Memvisualisasikan hasil analisis

Mengubah format data sebelum digunakan dalam model

Model semakin buruk

Model semakin baik dalam memprediksi nilai aktual

Model tidak bisa digunakan lagi

Model tidak memerlukan data tambahan

Menghitung jumlah data dalam dataset

Menampilkan hasil prediksi dan kenyataan dalam klasifikasi

Menghapus data yang tidak sesuai

Mengubah format data menjadi lebih kecil

Seberapa banyak prediksi yang benar dari total data

Seberapa baik model menemukan semua yang positif

Seberapa baik model memprediksi data kategori negatif

Berapa banyak prediksi positif yang benar-benar positif

Untuk mengukur jumlah fitur yang digunakan dalam model

Untuk memastikan bahwa semua data diuji dengan benar

Untuk mengetahui seberapa baik model menemukan semua yang positif

Untuk menghapus data yang tidak berguna

Menghapus data yang tidak sesuai format

Memvisualisasikan distribusi data

Memprediksi hubungan antara variabel kuantitatif

Mengelompokkan data ke dalam grup

Regresi linear sederhana hanya melibatkan dua variabel kuantitatif, sedangkan regresi linear berganda melibatkan lebih dari dua variabel

Regresi linear berganda digunakan untuk klasifikasi

Regresi linear sederhana tidak memiliki persamaan matematika

Regresi linear berganda hanya digunakan dalam unsupervised learning

Model tetap memberikan hasil yang sempurna

Prediksi dari model bisa menjadi tidak akurat

Model tidak membutuhkan fitur tambahan

Data bisa langsung digunakan tanpa evaluasi

Seberapa baik model menjelaskan variasi data

Seberapa banyak data yang dapat dihapus

Seberapa besar ukuran dataset

Seberapa baik model mengklasifikasikan data ke dalam grup

Model memiliki akurasi rendah

Model semakin baik dalam menjelaskan variasi data

Model tidak bisa digunakan

Model tidak memerlukan evaluasi lebih lanjut

Karena dapat membantu sistem belajar dari data untuk membuat keputusan yang lebih akurat

Karena menggantikan semua pekerjaan manusia

Karena tidak memerlukan data untuk berfungsi

Karena hanya digunakan dalam industri teknologi besar