A) Preučitev razmerja med spremenljivkami. B) ustvarjanje vizualnih predstavitev podatkov. C) Izračunavanje povprečij številčnih podatkov. D) Povzetek kategoričnih podatkov.
A) Velikost nabora podatkov. B) Število spremenljivk v modelu. C) Vrsta uporabljenega statističnega testa. D) Kako dobro se model ujema z opazovanimi podatki.
A) Homoskedastičnost B) Linearnost C) Normalna porazdelitev ostankov D) Neodvisnost opazovanj
A) Kadar je model preveč zapleten in zajame šum v podatkih. B) Kadar je model preveč preprost in nima zadostne napovedne moči. C) Ko je model ravno pravšnji in se dobro posplošuje na nepoznane podatke. D) Kadar se model popolnoma prilega podatkom za usposabljanje, vendar je neuspešen pri novih podatkih.
A) Logistična regresija B) ANOVA C) PCA D) Drevo odločanja
A) Natančno prileganje modela podatkom za učenje. B) ustvarjanje novih vhodnih spremenljivk iz obstoječih podatkov za izboljšanje delovanja modela. C) Za avtomatizacijo celotnega postopka modeliranja. D) Odstranitev vseh vhodnih spremenljivk razen najpomembnejše.
A) Oceniti ustreznost logistične regresije. B) Preverjanje predpostavke o linearnosti v regresijskih modelih. C) Povzetek porazdelitve nabora podatkov. D) Ocenjevanje uspešnosti klasifikacijskega modela.
A) Regresijska analiza B) Analiza glavnih komponent C) Navzkrižno preverjanje D) Test Chi-kvadrat
A) Ustvarjanje enega sestavljenega merila iz več spremenljivk. B) Izris podatkovnih točk v dvodimenzionalnem prostoru. C) Raziskovanje vzročno-posledičnih povezav. D) Združevanje podobnih podatkovnih točk na podlagi vzorcev ali značilnosti. |