Quiz

--- primary_color: steelblue secondary_color: lightgray text_color: black --- ### Dasar-Dasar Regresi Logistik Apa tujuan utama Regresi Logistik dalam konteks masalah klasifikasi biner? 1. [ ] Memprediksi nilai numerik. 1. [ ] Memodelkan hubungan linier antara variabel. 1. [x] Memprediksi probabilitas kelas positif. 1. [ ] Menghitung gradien fungsi loss. ### Implementasi Regresi Logistik menggunakan Python Dalam implementasi Regresi Logistik menggunakan scikit-learn, apa fungsi yang digunakan untuk melatih model? 1. [ ] `train_model()` 1. [x] `fit()` 1. [ ] `train_logistic_regression()` 1. [ ] `train_test_split()` ### Fungsi Loss (Loss Function) Fungsi loss Cross-Entropy Loss digunakan untuk mengukur perbedaan antara apa? 1. [ ] Nilai prediksi dan nilai sebenarnya. 1. [ ] Output model dan label kelas. 1. [x] Probabilitas prediksi dan probabilitas sebenarnya. 1. [ ] Gradien dan iterasi. ### Evaluasi Model Presisi (Precision) pada evaluasi model mengukur apa? 1. [ ] Kemampuan model mengidentifikasi semua instance positif yang sebenarnya. 1. [ ] Persentase prediksi yang benar secara keseluruhan. 1. [x] Kemampuan model memprediksi dengan benar dari yang diprediksi positif. 1. [ ] Keseimbangan antara presisi dan recall. ### Dasar-Dasar Regresi Logistik Mengapa Regresi Logistik cocok untuk masalah klasifikasi biner? 1. [ ] Menggunakan fungsi linier untuk memodelkan hubungan. 1. [ ] Cocok untuk masalah regresi. 1. [x] Menggunakan fungsi logistik untuk membatasi output antara 0 dan 1. 1. [ ] Menggunakan probabilitas sebagai output. ### Implementasi Regresi Logistik menggunakan Python Apa fungsi yang digunakan untuk membuat prediksi setelah model Regresi Logistik dilatih? 1. [x] `predict()` 1. [ ] `evaluate()` 1. [ ] `fit()` 1. [ ] `score()` ### Fungsi Loss Mengapa Cross-Entropy Loss sering digunakan sebagai fungsi loss untuk Regresi Logistik? 1. [ ] Menyederhanakan perhitungan. 1. [ ] Cocok untuk masalah regresi. 1. [x] Mengukur perbedaan probabilitas prediksi dan probabilitas sebenarnya. 1. [ ] Meminimalkan jumlah iterasi. ### Evaluasi Model Apa yang diukur oleh Area di Bawah Kurva ROC (AUC-ROC) dalam konteks evaluasi model? 1. [ ] Akurasi prediksi keseluruhan. 1. [ ] Kesalahan prediksi. 1. [x] Kemampuan model untuk membedakan antara kelas positif dan negatif. 1. [ ] Presisi model. ### Implementasi Regresi Logistik menggunakan Python Bagaimana Anda melakukan penyetelan hyperparameter pada model Regresi Logistik menggunakan scikit-learn? 1. [ ] Menggunakan metode `adjust()` pada model. 1. [ ] Melakukan penyetelan secara manual pada parameter model. 1. [ ] Menggunakan metode `tune()` pada objek `GridSearchCV`. 1. [x] Menggunakan `GridSearchCV` dengan parameter yang diinginkan. ### Fungsi Loss Mengapa penting untuk meminimalkan nilai fungsi loss pada model Regresi Logistik? 1. [ ] Untuk memaksimalkan akurasi pada data pelatihan. 1. [ ] Agar model dapat menghasilkan nilai prediksi yang kecil. 1. [ ] Memastikan model tidak overfitting. 1. [x] Untuk meningkatkan kinerja model pada data pengujian.