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