seriuzzz nihhh

seriuzzz nihhh

Professional Development

10 Qs

quiz-placeholder

Similar activities

Seriuss dikitt hehee

Seriuss dikitt hehee

Professional Development

10 Qs

Instrument Names

Instrument Names

6th Grade - Professional Development

10 Qs

UK 4. Menerapkan Teknologi Informasi

UK 4. Menerapkan Teknologi Informasi

Professional Development

10 Qs

Seberapa Tahukah Anda

Seberapa Tahukah Anda

Professional Development

15 Qs

SESI 2 (PROSES & STOCK CONTROL)

SESI 2 (PROSES & STOCK CONTROL)

Professional Development

15 Qs

Tebak logo

Tebak logo

Professional Development

10 Qs

Portal Data LAN

Portal Data LAN

Professional Development

10 Qs

Tech Update EDJ

Tech Update EDJ

Professional Development

15 Qs

seriuzzz nihhh

seriuzzz nihhh

Assessment

Quiz

Fun

Professional Development

Hard

Created by

PO Bootcamp

FREE Resource

10 questions

Show all answers

1.

MULTIPLE CHOICE QUESTION

45 sec • 1 pt

Mengapa Ensemble Learning sering kali lebih efektif dalam meningkatkan performa model untuk tugas regresi dan klasifikasi Manakah dari opsi berikut ini yang bukan alasan mengapa Ensemble Learning biasanya menghasilkan hasil yang lebih baik?"

A. Meningkatkan keakuratan prediksi dengan memanfaatkan kekuatan dari masing-masing model individu.

B. Mengurangi variabilitas prediksi melalui metode agregasi seperti rata-rata atau voting mayoritas, yang menciptakan model yang lebih stabil.

C. Mempercepat waktu pelatihan model karena mengandalkan algoritma yang lebih sederhana daripada pendekatan model tunggal.

D. Mengurangi kemungkinan overfitting dengan menggabungkan prediksi dari model yang dilatih pada dataset yang berbeda atau menggunakan parameter yang berbeda.

2.

MULTIPLE CHOICE QUESTION

1 min • 1 pt

Dalam pembelajaran mesin, teknik Ensemble Learning sering digunakan untuk meningkatkan kinerja prediktif model dalam tugas regresi dan klasifikasi. Salah satu manfaat utama dari penggunaan Ensemble Learning adalah peningkatan keakuratan prediksi melalui kombinasi output dari berbagai model. Pertimbangkan karakteristik ini, bagaimana Ensemble Learning dapat secara efektif mengurangi bias dan varians dalam prediksi, dan manakah dari pilihan berikut yang paling akurat menggambarkan dampak penggunaan Ensemble Learning dalam proyek regresi dan klasifikasi?"

A. Ensemble Learning meningkatkan keakuratan dengan mengurangi kompleksitas komputasi yang dibutuhkan, memungkinkan model lebih cepat dipelajari.

B. Dengan menggabungkan berbagai model, Ensemble Learning dapat mengurangi bias dan varians, membuat prediksi lebih stabil dan akurat, terutama dalam data yang kompleks dan beragam.

C. Ensemble Learning memungkinkan penggunaan model tunggal secara berulang untuk mendapatkan hasil yang paling akurat, menghindari kebutuhan akan multiple models.

D. Fokus utama dari Ensemble Learning adalah untuk memfasilitasi visualisasi data, membantu pengguna memahami pola data dengan lebih baik melalui metode klasifikasi dan regresi yang beragam.

3.

MULTIPLE CHOICE QUESTION

30 sec • 1 pt

Bagging, singkatan dari Bootstrap Aggregating, adalah teknik ensemble learning yang meningkatkan stabilitas dan akurasi dari algoritma machine learning. Ini dilakukan dengan cara:

A. Melatih model secara berurutan dengan memberikan bobot lebih pada sampel yang salah diklasifikasikan.

B. Menggabungkan prediksi dari berbagai model dengan memilih kelas yang paling sering

C. Membuat beberapa subset dari dataset asli dengan pengambilan sampel ulang dengan penggantian dan melatih model pada setiap subset tersebut.

D. Menggunakan sebuah meta-model untuk menggabungkan prediksi dari model-model dasar.

4.

MULTIPLE CHOICE QUESTION

45 sec • 1 pt

Dalam Bagging (Bootstrap Aggregating), setiap model dalam ensemble dilatih secara independen pada sampel data yang diambil dengan penggantian dari dataset asli. Teknik ini efektif dalam mengurangi varians model. Apakah pernyataan berikut ini benar mengenai Bagging?

A. Bagging secara khusus meningkatkan bias model dan mengurangi varians.

B. Setiap model dalam Bagging harus berbeda secara algoritma untuk efektivitas maksimal.

C. Bagging dapat menggunakan jenis model yang sama atau berbeda asalkan dilatih pada sampel data yang berbeda.

D. Bagging tidak efektif untuk model yang sudah memiliki bias yang rendah dan varians yang tinggi.

5.

MULTIPLE CHOICE QUESTION

30 sec • 1 pt

Adaptive Boosting (AdaBoost) adalah metode boosting yang bertujuan untuk meningkatkan kinerja model regresi dengan:

A. Membuat dan menggabungkan ratusan model kecil yang lemah untuk membentuk model yang kuat.

B. Memberikan bobot yang sama pada setiap prediksi dari model yang berbeda.

C. Secara iteratif menyesuaikan bobot dari sampel yang salah diklasifikasikan sehingga model berikutnya dapat fokus pada kasus yang lebih sulit.

D. Memilih secara acak fitur-fitur dari dataset untuk mengurangi dimensi.

6.

MULTIPLE CHOICE QUESTION

45 sec • 1 pt

Dalam teknik Boosting seperti Adaptive Boosting (AdaBoost), proses pelatihan model dilakukan secara berurutan dengan setiap model berikutnya berusaha memperbaiki kesalahan dari model sebelumnya. Bagaimana cara Adaptive Boosting mengurangi kesalahan pada model ensemble?

A. Dengan memberikan bobot yang lebih tinggi pada observasi yang salah diprediksi oleh model sebelumnya, sehingga model berikutnya dapat fokus pada kasus sulit tersebut.


B. Dengan menggabungkan model secara acak tanpa memperhatikan performa model individu.

C. Dengan menggunakan setiap model untuk memprediksi variabel target yang berbeda dalam dataset.

D. Dengan melatih setiap model pada dataset lengkap tanpa sampling atau penggantian.

7.

MULTIPLE CHOICE QUESTION

30 sec • 1 pt

Stacking (stacked generalization) adalah metode untuk menggabungkan berbagai model pembelajaran mesin dengan:

A. Membagi dataset menjadi beberapa subset dan melatih setiap model pada satu subset.

B. Memilih satu model berdasarkan kinerja validasi silang terbaik dan mengabaikan model lainnya.

C. Melatih model-model dasar pada dataset yang sama, kemudian menggunakan prediksi dari model-model tersebut sebagai input untuk meta-model yang membuat prediksi akhir.

D. Memberikan bobot yang sama untuk prediksi dari setiap model dasar.

Create a free account and access millions of resources

Create resources
Host any resource
Get auto-graded reports
or continue with
Microsoft
Apple
Others
By signing up, you agree to our Terms of Service & Privacy Policy
Already have an account?