Nama : Destu Adiyanto

Nim : 535170103

3. Overfitting adalah suatu keadaan dimana data yang digunakan untuk pelatihan itu adalah
yang terbaik. Sehingga apabila dilakukan tes dengan menggunakan data yang berbeda
dapat mengurangi akurasi (hasil yang dibuat tidak sesuai yang diharapkan). Overfitting
dapat terjadi ketika beberapa batasan didasarkan pada sifat khusus yang tidak membuat
perbedaan pada data. Selain itu duplikasi data minor yang berlebihan juga dapat
mengakibatkan terjadinya overfitting.

Untuk menghindari masalah Overfitting dapat dilakukan dengan dua pendekatan

diantaranya:

 Prepruning: Hentikan pembuatan tree di awal. Tidak melakukan

pemisahan node jika goodness measure dibawah threshold. Walaupun dapat
menyebabkan sulitnya menentukan threshold.
 Postpruning: Buang cabang setelah tree jadi. Menggunakan data yang
berbeda pada pelatihan untuk menentukan pruned tree yang terbaik.

Untuk mengatasi masalah Overfitting terdapat beberapa cara yang bisa dicoba:

 Gunakan teknik sampel ulang untuk memperkirakan akurasi model.

Dimana nantinya akan melakukan validasi beberapa kali dengan perbandingan
data yang berbeda sampai menemukan akurasi yang cukup optimal.
 Cek kembali validitas dari set data.

2. Pernyataan yang benar adalah:

A. Nilai cost function J(w) dari logistik regression yang dilatih dengan data yang
berjumlah M lebih besar sama dengan 1 akan selalu lebih besar atau sama
dengan nol.

1.