A) Pour résumer des données catégorielles. B) Créer des représentations visuelles des données. C) Examiner la relation entre les variables. D) Pour calculer des moyennes de données numériques.
A) Le degré d'adéquation du modèle avec les données observées. B) Le type de test statistique utilisé. C) Le nombre de variables dans le modèle. D) La taille de l'ensemble de données.
A) Indépendance des observations B) Homoscédasticité C) Distribution normale des résidus D) Linéarité
A) Lorsqu'un modèle est juste et qu'il se généralise bien à des données inédites. B) Lorsqu'un modèle est trop complexe et qu'il capture du bruit dans les données. C) Lorsqu'un modèle est trop simple et manque de puissance prédictive. D) Lorsqu'un modèle s'adapte parfaitement aux données d'apprentissage mais échoue sur de nouvelles données.
A) APC B) ANOVA C) Arbre de décision D) Régression logistique
A) Pour créer une mesure composite unique à partir de plusieurs variables. B) Tracer des points de données dans un espace bidimensionnel. C) Étudier les relations de cause à effet. D) Regrouper des points de données similaires sur la base de modèles ou de caractéristiques.
A) Analyse en composantes principales B) Test du chi carré C) Analyse de régression D) Validation croisée
A) Créer de nouvelles variables d'entrée à partir de données existantes afin d'améliorer les performances du modèle. B) Pour supprimer toutes les variables d'entrée à l'exception de la plus importante. C) Pour ajuster le modèle exactement aux données d'apprentissage. D) Automatiser l'ensemble du processus de modélisation.
A) Évaluer la qualité de l'ajustement de la régression logistique. B) Tester l'hypothèse de linéarité dans les modèles de régression. C) Évaluer la performance d'un modèle de classification. D) Pour résumer la distribution d'un ensemble de données. |