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