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