Decision tree and KNN

Bagaimana decision tree membagi sampel data menjadi kelompok-kelompok eksklusif?

• Dengan menggabungkan semua sampel menjadi satu kelompok besar.

• Dengan mengizinkan setiap sampel menjadi anggota dari beberapa kelompok yang berbeda.

• Dengan mengelompokkan semua sampel menjadi satu kelompok terpisah.

• Dengan mengelompokkan semua sampel menjadi satu kelompok terpisah.

Apa yang mewakili setiap path dalam decision tree?

• Setiap path mewakili penggunaan seluruh dataset dalam analisis.

• Setiap path mewakili keputusan terakhir yang dibuat oleh model.

• Setiap path mewakili aturan keputusan yang diambil oleh model.

• Setiap path mewakili simpul-simpul dalam pohon.

Apa tujuan utama dari terminal node (leaf) dalam decision tree?

• Menyimpan semua sampel data

• Menunjukkan peraturan keputusan (decision rules) atau class assignment

• Menunjukkan node akar (root node)

• Tidak memiliki tujuan khusus

Mengapa proses pemangkasan (pruning) decision tree diperlukan?

• Untuk memperbesar decision tree

• Untuk mengurangi kompleksitas decision tree dan mencegah overfitting

• Untuk menambahkan lebih banyak node ke decision tree

• Untuk memperpanjang semua cabang decision tree

Apa yang dimaksud dengan algoritma Nearest Neighbor?

• Algoritma yang mencari tetangga terjauh dari data yang diberikan.

• Algoritma yang mencari tetangga terdekat dari data yang diberikan.

• Algoritma yang membuat keputusan berdasarkan seluruh dataset.

• Algoritma yang tidak memperhitungkan tetangga dalam klasifikasi.

Apa yang dapat terjadi jika nilai k terlalu besar dalam KNN?

• KNN akan menjadi sangat sensitif terhadap noise

• KNN akan menjadi sangat lambat dalam melakukan klasifikasi

• KNN akan kehilangan kemampuan untuk menangkap struktur data yang halus

• KNN akan menghilangkan seluruh noise dari data