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