Тест по методам кластеризации и регрессии

Какова формула логистической регрессии?

• P(Y=1|X) = β0 + β1X1 + β2X2 + ... + βnXn

• P(Y=1|X) = 1 / (1 + e^(- (β0 + β1X1 + β2X2 + ... + βnXn)))

• P(Y=1|X) = e^(β0 + β1X1 + β2X2 + ... + βnXn)

• P(Y=1|X) = 1 / (1 + e^(β0 + β1X1 + β2X2 + ... + βnXn))

Что такое метод K-средних и как он работает?

• Метод K-средних - это алгоритм, который объединяет все данные в одну группу.

• Метод K-средних - это способ сортировки данных по алфавиту.

• Метод K-средних - это алгоритм кластеризации, который делит данные на K групп на основе их характеристик.

• Метод K-средних используется для предсказания временных рядов.

Какова основная идея агломеративной кластеризации?

• Агломеративная кластеризация разделяет объекты на основе их различий.

• Основная идея агломеративной кластеризации заключается в случайном распределении объектов.

• Агломеративная кластеризация использует только один объект для создания кластеров.

• Основная идея агломеративной кластеризации заключается в последовательном объединении объектов в кластеры на основе их схожести.

Что такое ROC-кривая и как она строится?

• ROC-кривая - это метод оценки точности модели на тестовых данных.

• ROC-кривая - это график, показывающий только ложноположительные значения.

• ROC-кривая - это график, показывающий соотношение между истинно положительными и ложноположительными значениями для различных порогов классификации.

• ROC-кривая - это диаграмма, отображающая распределение классов в выборке.

Как интерпретировать AUC в контексте ROC-кривой?

• AUC indicates the accuracy of a model's predictions.

• AUC measures the ability of a model to distinguish between classes, with values ranging from 0 to 1.

• AUC is only relevant for binary classification problems.

• AUC values can exceed 1 in certain cases.

Что такое матрица ошибок и какие метрики из нее можно получить?

• Метрики из матрицы ошибок включают только среднее значение.

• Матрица ошибок - это график для визуализации данных.

• Матрица ошибок - это таблица для оценки производительности модели классификации, из которой можно получить метрики точности, полноты, точности и F1-меру.

• Матрица ошибок используется только для регрессионных моделей.

Как работает метод бустинга в машинном обучении?

• Метод бустинга использует только одну сильную модель для предсказаний.

• Метод бустинга не требует обучения моделей, а использует случайные предсказания.

• Бустинг работает, обучая все модели одновременно без коррекции ошибок.

• Метод бустинга улучшает предсказания, комбинируя несколько слабых моделей, обучая их последовательно и корректируя ошибки предыдущих.

Что такое метод бэггинга и как он отличается от бустинга?

• Бэггинг создает независимые модели на подвыборках, а бустинг обучает модели последовательно, исправляя ошибки предыдущих.

• Бэггинг исправляет ошибки предыдущих моделей, а бустинг создает новые модели на основе старых.

• Бэггинг и бустинг используют одинаковые методы для обучения моделей.

• Бэггинг обучает модели последовательно, а бустинг создает независимые модели.

Как можно улучшить качество модели с помощью кросс-валидации?

• Кросс-валидация улучшает качество модели, позволяя более точно оценить её производительность и оптимизировать гиперпараметры.

• Кросс-валидация снижает качество модели, увеличивая её сложность.

• Кросс-валидация не влияет на производительность модели.

• Кросс-валидация используется только для уменьшения объёма данных.

Какой из методов наилучшим образом предотвращает утечку целевой переменной (target leakage)?

• 1) Удаление всех признаков, созданных на основе целевой переменной

• 2) Использование L1-регуляризации для снижения влияния отдельных признаков

• 3) Применение стратифицированного разбиения данных

• 4) Разделение на трейн тест до момента генерации новых признаков или кодирования