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