wayground logo

Free Printable Worksheets

Font size

S
M
L
XL
Worksheets

Quiz tentang Library Python untuk ML

Total questions: 50

Worksheet time: 25mins

Name
Class
Date
1.

Library Python yang umum digunakan untuk manipulasi data dan analisis numerik dalam Machine Learning adalah:

a)

Matplotlib

b)

Seaborn

c)

Pandas

d)

Scikit-learn

2.

Library yang paling sering digunakan untuk implementasi algoritma Machine Learning di Python adalah:

a)

NumPy

b)

SciPy

c)

Scikit-learn

d)

TensorFlow

3.

Pernyataan import pandas as pd berfungsi untuk:

a)

Menginstal library pandas

b)

Mengimpor library pandas dan memberinya alias pd

c)

Menghapus library pandas

d)

Mengatur versi pandas

4.

Untuk memuat data dari file CSV di Pandas, fungsi yang paling tepat adalah:

a)

pd.read_excel()

b)

pd.read_sql()

c)

pd.read_csv()

d)

pd.read_json()

5.

Metode SimpleImputer dalam Scikit-learn digunakan untuk:

a)

Menghapus baris/kolom yang mengandung nilai hilang

b)

Mengisi nilai hilang dengan strategi tertentu (mean, median, most frequent)

c)

Mengidentifikasi nilai hilang

d)

Mengubah tipe data

6.

Untuk menghapus baris yang mengandung setidaknya satu nilai hilang, fungsi yang paling tepat adalah:

a)

df.fillna()

b)

df.dropna()

c)

df.replace()

d)

df.isna()

7.

KNNImputer mengisi nilai hilang dengan:

a)

Nilai rata-rata dari seluruh kolom

b)

Nilai dari tetangga terdekat

c)

Nilai modus

d)

Nilai nol

8.

Jika variabel kategorik memiliki urutan alami (misalnya: kecil, sedang, besar), metode encoding yang paling cocok adalah:

a)

One-Hot Encoding

b)

Label Encoding

c)

Ordinal Encoding

d)

Binary Encoding

9.

One-Hot Encoding akan mengubah satu kolom kategorik menjadi:

a)

Satu kolom numerik

b)

Beberapa kolom biner (0 atau 1)

c)

Satu kolom dengan nilai rata-rata

d)

Tidak ada perubahan

10.

LabelEncoder akan memberikan nilai numerik unik untuk setiap kategori unik. Kekurangan utama dari metode ini adalah:

a)

Membutuhkan banyak memori

b)

Menimbulkan asumsi urutan yang tidak ada

c)

Tidak dapat menangani data baru

d)

Lambat dalam komputasi

11.

Metode scaling yang mengubah data sehingga memiliki rata-rata nol dan standar deviasi satu adalah:

a)

MinMaxScaler

b)

StandardScaler

c)

RobustScaler

d)

Normalizer

12.

MinMaxScaler akan mentransformasi fitur ke dalam rentang:

a)

-1 sampai 1

b)

0 sampai 1

c)

Tidak terbatas

d)

Bergantung pada data

13.

RobustScaler lebih cocok digunakan ketika data mengandung:

a)

Nilai hilang

b)

Outlier

c)

Variabel kategorik

d)

Data terdistribusi normal

14.

Transformasi logaritma (misalnya np.log()) sering digunakan untuk:

a)

Mengurangi jumlah fitur

b)

Menangani outlier dan membuat distribusi data lebih normal

c)

Mengubah tipe data

d)

Mempercepat pelatihan model

15.

PolynomialFeatures digunakan untuk:

a)

Mengurangi kompleksitas model

b)

Membuat fitur baru dari kombinasi non-linear fitur yang ada

c)

Menghilangkan fitur yang tidak relevan

d)

Mengatur skala fitur

16.

Binning (diskretisasi) adalah proses mengubah variabel kontinu menjadi:

a)

Variabel kategorik

b)

Variabel biner

c)

Variabel numerik baru

d)

Variabel teks

17.

Fungsi Pandas yang paling umum digunakan untuk mendapatkan statistik deskriptif dari DataFrame adalah:

a)

df.info()

b)

df.head()

c)

df.describe()

d)

df.shape()

18.

Untuk melihat hubungan antara dua variabel numerik, plot visualisasi yang paling tepat adalah:

a)

Histogram

b)

Box plot

c)

Scatter plot

d)

Bar chart

19.

Untuk melihat hubungan antara dua variabel numerik, plot visualisasi yang paling tepat adalah:

a)

Histogram

b)

Box plot

c)

Scatter plot

d)

Bar chart

20.

Matriks korelasi menunjukkan:

a)

Distribusi setiap fitur

b)

Jumlah nilai hilang

c)

Kekuatan dan arah hubungan linier antar fitur

d)

Tipe data fitur

21.

Tujuan utama dari train_test_split adalah:

a)

Untuk meningkatkan akurasi model

b)

Untuk mencegah overfitting dan mengevaluasi kinerja model pada data yang belum pernah dilihat

c)

Untuk mempercepat proses pelatihan

d)

Untuk menghilangkan fitur yang tidak relevan

22.

Parameter random_state dalam train_test_split berfungsi untuk:

a)

Menentukan ukuran data uji

b)

Mengontrol pengacakan data agar hasilnya dapat direproduksi

c)

Mengatur kecepatan split

d)

Memilih algoritma splitting

23.

K-Fold Cross-Validation bertujuan untuk:

a)

Membagi data menjadi hanya satu set pelatihan dan satu set pengujian

b)

Menguji model pada beberapa subset data secara independen untuk mendapatkan estimasi kinerja yang lebih stabil

c)

Memilih fitur terbaik

d)

Menangani nilai hilang

24.

Model klasifikasi digunakan untuk memprediksi:

a)

Nilai kontinu

b)

Kategori diskrit

c)

Urutan waktu

d)

Hubungan antar fitur

25.

Rumus matematis utama dari Logistic Regression melibatkan fungsi:

a)

Linier

b)

Sigmoid (atau logistik)

c)

ReLU

d)

Tanh

26.

Logistic Regression, meskipun namanya mengandung "Regression", sebenarnya adalah model untuk tugas:

a)

Regresi

b)

Klasifikasi

c)

Clustering

d)

Dimensionality Reduction

27.

Konsep inti dari SVM adalah menemukan:

a)

Sebuah garis regresi terbaik

b)

Sebuah hyperplane yang memaksimalkan margin antara kelas-kelas

c)

Sebuah pohon keputusan

d)

Sebuah jaringan saraf

28.

Teknik "kernel trick" pada SVM digunakan untuk:

a)

Mengurangi dimensi data

b)

Mentransformasi data ke ruang dimensi lebih tinggi agar dapat dipisahkan secara linier

c)

Menangani nilai hilang

d)

Mempercepat komputasi

29.

KNN mengklasifikasikan titik data baru berdasarkan:

a)

Jaraknya ke centroid cluster

b)

Mayoritas kelas dari K tetangga terdekatnya

c)

Sebuah fungsi linier

d)

Bobot dari fitur-fitur

30.

Kelemahan utama KNN adalah:

a)

Tidak dapat menangani data non-linier

b)

Sangat sensitif terhadap skala fitur dan komputasi intensif untuk dataset besar

c)

Rentan terhadap overfitting

d)

Membutuhkan banyak parameter tuning

31.

Decision Tree membuat keputusan berdasarkan:

a)

Kombinasi linier fitur

b)

Serangkaian pertanyaan if-else tentang fitur

c)

Jarak antar titik data

d)

Probabilitas

32.

max_depth adalah parameter penting dalam Decision Tree untuk mengontrol:

a)

Jumlah fitur

b)

Kedalaman maksimum pohon, mencegah overfitting

c)

Jumlah daun

d)

Kriteria pemisahan

33.

Random Forest adalah metode ensemble yang membangun banyak:

a)

Regresi Linier

b)

Pohon Keputusan

c)

SVM

d)

KNN

34.

Konsep utama di balik Random Forest untuk meningkatkan akurasi dan mengurangi overfitting adalah:

a)

Menggunakan hanya fitur terbaik

b)

Bagging (bootstrap aggregation) dan pemilihan fitur acak pada setiap pohon

c)

Menggunakan hanya satu pohon keputusan yang sangat dalam

d)

Melakukan scaling data

35.

Gradient Boosting membangun model secara sekuensial, di mana setiap model baru berusaha untuk memperbaiki kesalahan dari m

4 lines
36.

Gradient Boosting membangun model secara sekuensial, di mana setiap model baru berusaha untuk memperbaiki kesalahan dari model sebelumnya. Pendekatan ini dikenal sebagai:

a)

Bagging

b)

Boosting

c)

Stacking

d)

Blending

37.

XGBoost adalah implementasi dari Gradient Boosting yang terkenal karena:

a)

Kecepatannya yang lambat

b)

Kinerjanya yang tinggi, optimasi paralel, dan penanganan nilai hilang yang baik

c)

Hanya cocok untuk dataset kecil

d)

Tidak mendukung regularisasi

38.

Naive Bayes didasarkan pada teorema Bayes dan asumsi "naif" bahwa fitur-fitur:

a)

Memiliki distribusi normal

b)

Saling independen satu sama lain

c)

Saling bergantung

d)

Tidak relevan

39.

Naive Bayes sering digunakan untuk tugas:

a)

Regresi waktu

b)

Analisis sentimen dan klasifikasi teks

c)

Clustering gambar

d)

Deteksi anomali

40.

Model regresi digunakan untuk memprediksi:

a)

Kategori diskrit

b)

Nilai kontinu

c)

Probabilitas

d)

Label biner

41.

Rumus matematis dasar dari Simple Linear Regression adalah:

a)

y=mx+c

b)

y=log(x)

c)

y=ex

d)

y=x2

42.

Linear Regression bertujuan untuk menemukan:

a)

Garis yang melewati semua titik data

b)

Garis yang meminimalkan jumlah kuadrat kesalahan (Residual Sum of Squares)

c)

Titik pusat data

d)

Hubungan non-linier

43.

Polynomial Regression cocok digunakan ketika hubungan antara variabel independen dan dependen adalah:

a)

Linier

b)

Non-linier atau melengkung

c)

Konstan

d)

Acak

44.

Akurasi adalah metrik evaluasi yang mengukur:

a)

Jumlah True Positives

b)

Proporsi prediksi benar dari total prediksi

c)

Jumlah False Negatives

d)

Kemampuan model untuk mengidentifikasi semua kasus positif

45.

Recall (Sensitivitas) mengukur:

a)

Proporsi False Positives

b)

Proporsi True Positives yang teridentifikasi dari semua kasus positif aktual

c)

Proporsi True Negatives

d)

Proporsi True Positives dari semua prediksi positif

46.

Precision (Presisi) mengukur:

a)

Proporsi False Negatives

b)

Proporsi True Positives dari semua kasus positif aktual

c)

Proporsi True Positives dari semua prediksi positif

d)

Proporsi True Negatives dari semua prediksi negatif

47.

F1-Score adalah rata-rata harmonik dari:

a)

Akurasi dan Recall

b)

Precision dan Recall

c)

Akurasi dan Precision

d)

Akurasi dan F-beta

48.

ROC Curve dan AUC digunakan untuk mengevaluasi kinerja model klasifikasi pada berbagai:

a)

Jumlah fitur

b)

Ambang batas klasifikasi (threshold)

c)

Ukuran dataset

d)

Jenis algoritma

49.

Mean Squared Error (MSE) mengukur:

a)

Rata-rata absolut dari kesalahan prediksi

b)

Rata-rata kuadrat dari kesalahan prediksi

c)

Akar kuadrat dari kesalahan prediksi

d)

Persentase kesalahan

50.

R-squared (R2) menunjukkan:

a)

Seberapa baik model mereplikasi hasil

b)

Proporsi varians dalam variabel dependen yang dapat dijelaskan oleh model

c)

Rata-rata kesalahan

d)

Jumlah outlier

Similar Resources on Wayground

Materi Internet Kelas 4 SD Kesatuan

50 questions

Materi Internet Kelas 4 SD Kesatuan

quiz

Worksheet

•

4th Grade - University

NEW Informatics Quiz for Grade 7 2526

53 questions

NEW Informatics Quiz for Grade 7 2526

quiz

Worksheet

•

7th Grade - University

Кәсіби ағылшын 151 - 200

50 questions

Кәсіби ағылшын 151 - 200

quiz

Worksheet

•

University

ST#2 (ONSITE)

45 questions

ST#2 (ONSITE)

quiz

Worksheet

•

12th Grade - University

UTS SQA Part 2

50 questions

UTS SQA Part 2

quiz

Worksheet

•

University

informatika/SIMDIG XI (ASAS 2425)

50 questions

informatika/SIMDIG XI (ASAS 2425)

quiz

Worksheet

•

11th Grade - University

CISCO AIDANA

52 questions

CISCO AIDANA

quiz

Worksheet

•

University

IS Audit - Mid Exam

50 questions

IS Audit - Mid Exam

quiz

Worksheet

•

University