Free Printable Responsi Lab

Worksheets

Responsi Lab

Total questions: 40

Worksheet time: 22mins

Name

Class

Date

Dalam library Pandas, fungsi mana yang paling efisien untuk mendeteksi jumlah nilai kosong (NaN) di setiap kolom dataset?

df.dropna()

df.isnull().sum()

df.describe()

df.count_na()

Apa fungsi dari parameter $inplace=true$ pada perintah $df.dropna(inplace=True)$ ?

Menyimpan perubahan langsung pada dataframe asli tanpa perlu assignment baru.

Hanya menghapus baris yang semua kolomnya kosong

Membuat salinan baru dari dataframe.

Menghapus kolom, bukan baris.

Jika ada nilai $Annual\ Income=137$ , maka…

data tersebut outlier

data tersebut bukan outlier

tidak dapat disimpulkan

Fungsi regex r"+\s+" adalah…

Menghapus semua huruf

menghapus angka

menghapus spasi berlebih

menghapus emoticon

Apa yang dilakukan kode ini?

mengecek outlier

menghapus outlier

mengganti outlier dengan batas bawah dan batas atas

mencari tendensi sentral

nilai dari X_norm tersebut akan berada pada rentang___

(-∞, ∞)

(0, 1)

(-1, 1)

(1, 10)

Perhatikan Grafik tersebut !. Berdasarkan grafik tersebut tuliskan jumlah klaster yang optimal

(a)

Perhatikan informasi data tersebut!. Pada data tersebut memiliki missing value?

Tidak

Tidak dapat ditentukan

Berdasarkan informasi tersebut, berapa jumlah fitur yang dimili oleh data tersebut?

(a)

10.

Output $df.shape$ adalah $(1250,8)$ . Interpretasi yang benar adalah …

Dataset memiliki 8 baris dan 1250 kolom

Dataset memiliki 1250 baris dan 8 kolom

Dataset memiliki 1250 fitur numerik

Dataset memiliki 8 variabel target

11.

Jika sebuah dataset memiliki banyak kolom kategorikal, informasi struktur yang PALING penting dicek terlebih dahulu adalah …

Nilai maksimum setiap kolom

Distribusi data

Tipe data dan jumlah nilai unik

Korelasi antar fitur

12.

Seorang analis ingin mengganti nilai kosong pada kolom job dengan 'Unknown'. Kode yang benar adalah

df['job'].replace('', 'Unknown', inplace=True)

df['job'].fillna('Unknown', inplace=True)

df.fill('Unknown')

df.dropna('job')

13.

Untuk mengurutkan dataset berdasarkan kolom age dari terbesar ke terkecil, perintah yang benar adalah

df.sort(age, descending=True)

df.sort_values('age', ascending=False)

df.order_by('age')

df.sort_index('age')

14.

Perintah yang digunakan untuk menghapus baris yang memiliki missing value adalah …

df.remove()

df.dropna()

df.isnull()

df.clean()

15.

Anda menemukan bahwa kolom $job$ memiliki 120 kategori unik, padahal dataset hanya berisi 500 baris. Keputusan manipulasi data yang PALING LOGIS adalah …

Menghapus kolom job

Menggabungkan kategori langka menjadi “Other”

Menormalkan kolom

Melakukan encode dengan label encoding

16.

berdasarkan kode tersebut, jika dataset berisi 1000 data, tuliskan jumlah data train yang digunakan untuk membuat model

(a)

17.

Berapakah jumlah True Positive (TP) pada confusion matrix di atas?

18.

berdasarkan nilai classification report tersebut apakah metrik akurasi adalah metrik yang tepat untuk mengcapture kasus tersebut

tidak

tidak tahu

19.

Berdasarkan informasi classification report tersebut, apakah metrik akurasi adalah metrik yang tepat untuk menilai performa model tersebut?

tidak

tidak tahu

20.

sebuah kasus di selesaikan dengan menggunakan pemodelan Logistic Regression, Naive bayes dan KNN. Hasil pengujian model ditunjukkan oleh kurva ROC-AUC tersebut. Dari hasil tersebut, model manakah yang memiliki performa yang lebih baik

Naive Bayes

KNN

Logistic Regression

Tidak dapat disimpulkan

21.

Sebuah kasus diselesaikan dengan pemodelan KMeans dan DBSCAN. Adapun hasil pengujian ditunjukkan oleh tabel tersebut. Berdasarkan tabel tersebut, model manakah yang memiliki kinerja lebih baik?

Kmeans

DBSCAN

Tidak dapat disimpulkan

22.

seseorang melakukan modelling dengan Kmeans dengan konfigurasi yang ditunjukkan oleh gambar tersebut. Fungsi n_init=10 pada konfigurasi tersebut adalah …

Mengulang training 10 kali

Mencoba 10 inisialisasi centroid berbeda dan memilih yang terbaik (inertia terendah)

Membagi data menjadi 10 fold

Menetapkan 10 cluster awal tetap

23.

berdasarkan sintaks tersebut, tujuan df2 adalah …

Mengambil centroid cluster 2

Mengambil semua data yang termasuk cluster 2

Menghapus cluster 2

Menggabungkan cluster

24.

Bagaimana cara mengetahui titik core pada scikit-learn DBSCAN setelah data dilatih?

db.core_sample_indices_

db.centroids_

db.cluster_centers_

db.inertia_

25.

Pada DBSCAN, pernyataan yang benar adalah …

Border point punya minimal min_samples tetangga

Core point tidak punya tetangga

Noise point tidak termasuk cluster manapun (label -1)

Semua titik pasti core point

26.

Pipeline yang paling tepat untuk DBSCAN pada fitur numerik berskala berbeda adalah …

27.

Jika hasil DBSCAN menghasilkan banyak label -1, penyebab paling mungkin adalah …

eps terlalu besar

min_samples terlalu kecil

eps terlalu kecil atau min_samples terlalu besar

data tidak bisa di-cluster

28.

sebuah kasus diselesaikan dengan modelling DBSCAN. hasilnya ditunjukan oleh gambar tersebut. tuliskan berapa jumlah outlier pada data tersebut?

(a)

29.

Pada Algoritma DBSCAN, parameter eps merepresentasikan …

Jumlah cluster yang diinginkan

Radius tetangga (neighborhood) untuk mengukur kepadatan

Skor kualitas cluster

Jumlah fitur yang dipakai

30.

Fungsi utama dari kode tersebut adalah

Menghasilkan aturan asosiasi

Menghasilkan itemset yang sering muncul

Menghitung confidence

Menghapus item jarang

31.

sebuah data dimining dengan aturan asosiasi. berdasarkan output tersebut interpretasi yang dihasilkan oleh aturan tersebut adalah

40% transaksi berisi Milk dan Bread

80% transaksi yang membeli Bread juga membeli Milk

Pembeli Milk 80% juga membeli Bread

Milk dan Bread tidak berhubungan

32.

Tujuan utama kode tersebut adalah …

Menghapus semua aturan

Menyimpan aturan yang kuat dan relevan

Mengurutkan aturan

Menghitung support

33.

Sebuah kasus diselesaikan dengan decision tree, adapun konfigurasinya ditunjukkan oleh gambar tersebut. Fungsi max_depth pada code tersebut adalah …

Menentukan jumlah fitur

Membatasi kedalaman pohon

Menentukan jumlah data

Mengatur learning rate

34.

Pada code tersebut, tujuan pengaturan min_samples_leaf adalah …

Menentukan jumlah leaf

Mencegah leaf dengan data terlalu sedikit

Mengatur jumlah fitur

Menghitung entropy

35.

Manakah contoh embedded feature selection?

RFE(LogisticRegression())

36.

Jika setelah feature selection akurasi turun, kesimpulan yang PALING TEPAT adalah …

Feature selection salah

Dataset rusak

Fitur yang dihapus ternyata informatif

Model harus diganti

37.

Perhatikan error tersebut. Penyebab paling mungkin adalah …

Missing value belum dihapus

Data belum di-scaling

Fitur kategorikal belum di-encoding

Target salah

38.

output dari kode tersebut adalah

Label kelas

Nilai residual

Probabilitas tiap kelas

Confusion matrix

39.

jika model memiliki performa seperti gambar tersebut, maka analisis yang tepat adalah

Model sangat baik

Model gagal total

Model bias ke kelas mayoritas

Model dilatih dari data yang seimbang

40.

Mengapa GaussianNB tidak membutuhkan scaling seketat KNN?

Karena tidak menggunakan jarak

Karena otomatis scaling

Karena fitur dibuang

Karena supervised

100 %

Responsi Lab

Total questions: 40

Worksheet time: 22mins

Similar Resources on Wayground