A) Para criar representações visuais de dados. B) Para calcular médias de dados numéricos. C) Examinar a relação entre as variáveis. D) Para resumir dados categóricos.
A) O número de variáveis no modelo. B) O tamanho do conjunto de dados. C) O grau de adequação do modelo aos dados observados. D) O tipo de teste estatístico utilizado.
A) Linearidade B) Distribuição normal dos resíduos C) Homoscedasticidade D) Independência das observações
A) Para avaliar o desempenho de um modelo de classificação. B) Para testar o pressuposto de linearidade em modelos de regressão. C) Avaliar a bondade do ajuste na regressão logística. D) Para resumir a distribuição de um conjunto de dados.
A) Investigar relações de causa e efeito. B) Agrupar pontos de dados semelhantes com base em padrões ou caraterísticas. C) Para traçar pontos de dados num espaço bidimensional. D) Para criar uma única medida composta a partir de múltiplas variáveis.
A) Árvore de decisão B) Regressão logística C) ANOVA D) APC
A) Validação cruzada B) Análise de regressão C) Análise de componentes principais D) Teste do qui-quadrado
A) Para automatizar todo o processo de modelação. B) Para remover todas as variáveis de entrada, exceto a mais importante. C) Criar novas variáveis de entrada a partir de dados existentes para melhorar o desempenho do modelo. D) Para ajustar o modelo exatamente aos dados de treino.
A) Quando um modelo é correto e generaliza bem para dados não vistos. B) Quando um modelo é demasiado complexo e capta o ruído nos dados. C) Quando um modelo é demasiado simples e não tem capacidade de previsão. D) Quando um modelo se ajusta perfeitamente aos dados de treino mas falha nos novos dados. |