A) Riassumere i dati categorici. B) Esaminare la relazione tra le variabili. C) Per calcolare le medie dei dati numerici. D) Creare rappresentazioni visive dei dati.
A) La dimensione del set di dati. B) Il numero di variabili nel modello. C) Il tipo di test statistico utilizzato. D) Quanto il modello si adatta ai dati osservati.
A) Linearità B) Indipendenza delle osservazioni C) Omoscedasticità D) Distribuzione normale dei residui
A) Quando un modello è giusto e si generalizza bene a dati non visti. B) Quando un modello è troppo complesso e cattura il rumore nei dati. C) Quando un modello è troppo semplice e manca di potere predittivo. D) Quando un modello si adatta perfettamente ai dati di addestramento ma fallisce sui nuovi dati.
A) ANOVA B) Regressione logistica C) PCA D) Albero decisionale
A) Tracciare punti di dati in uno spazio bidimensionale. B) Per creare una singola misura composita da più variabili. C) Raggruppare punti di dati simili in base a modelli o caratteristiche. D) Indagare le relazioni di causa-effetto.
A) Convalida incrociata B) Analisi di regressione C) Analisi delle componenti principali D) Test chi-quadro
A) Per adattare il modello esattamente ai dati di addestramento. B) Per rimuovere tutte le variabili di input tranne quella più importante. C) Per automatizzare l'intero processo di modellazione. D) Creare nuove variabili di input dai dati esistenti per migliorare le prestazioni del modello.
A) Per verificare l'ipotesi di linearità nei modelli di regressione. B) Per riassumere la distribuzione di un set di dati. C) Valutare le prestazioni di un modello di classificazione. D) Valutare la bontà dell'adattamento nella regressione logistica. |