A) Να εξετάσει τη σχέση μεταξύ των μεταβλητών. B) Για να υπολογίσετε τους μέσους όρους των αριθμητικών δεδομένων. C) Για να δημιουργήσετε οπτικές αναπαραστάσεις δεδομένων. D) Για να συνοψίσουμε κατηγορηματικά δεδομένα.
A) Πόσο καλά ταιριάζει το μοντέλο στα παρατηρούμενα δεδομένα. B) Ο αριθμός των μεταβλητών στο μοντέλο. C) Το μέγεθος του συνόλου δεδομένων. D) Το είδος της στατιστικής δοκιμής που χρησιμοποιείται.
A) Γραμμικότητα B) Ομοσκεδαστικότητα C) Ανεξαρτησία παρατηρήσεων D) Κανονική κατανομή των υπολειμμάτων
A) Όταν ένα μοντέλο είναι πολύ περίπλοκο και καταγράφει θόρυβο στα δεδομένα. B) Όταν ένα μοντέλο είναι σωστό και γενικεύει καλά σε αόρατα δεδομένα. C) Όταν ένα μοντέλο ταιριάζει απόλυτα στα δεδομένα εκπαίδευσης αλλά αποτυγχάνει σε νέα δεδομένα. D) Όταν ένα μοντέλο είναι πολύ απλό και στερείται προγνωστικής ισχύος.
A) PCA B) ANOVA C) Λογιστική παλινδρόμηση D) Δέντρο απόφασης
A) Για να ομαδοποιήσετε παρόμοια σημεία δεδομένων με βάση μοτίβα ή χαρακτηριστικά. B) Για να δημιουργήσετε ένα ενιαίο σύνθετο μέτρο από πολλές μεταβλητές. C) Να διερευνήσει τις σχέσεις αιτίου-αποτελέσματος. D) Να σχεδιάσετε σημεία δεδομένων σε δισδιάστατο χώρο.
A) Διασταυρωμένη επικύρωση B) Ανάλυση κύριου συστατικού C) Τεστ Chi-square D) Ανάλυση παλινδρόμησης
A) Για τη δημιουργία νέων μεταβλητών εισόδου από υπάρχοντα δεδομένα για τη βελτίωση της απόδοσης του μοντέλου. B) Για την αυτοματοποίηση ολόκληρης της διαδικασίας μοντελοποίησης. C) Για να ταιριάζει ακριβώς το μοντέλο στα δεδομένα εκπαίδευσης. D) Για να αφαιρέσετε όλες τις μεταβλητές εισόδου εκτός από την πιο σημαντική.
A) Για να συνοψίσουμε την κατανομή ενός συνόλου δεδομένων. B) Για την αξιολόγηση της καλής προσαρμογής στην λογιστική παλινδρόμηση. C) Να αξιολογήσει την απόδοση ενός μοντέλου ταξινόμησης. D) Για να ελέγξετε την υπόθεση της γραμμικότητας σε μοντέλα παλινδρόμησης. |