WorksheetsВопросы по линейной регрессии
Total questions: 10
Worksheet time: 6mins
Мини-кейс: сеть кофеен хочет спрогнозировать дневную выручку. Какие признаки с высокой вероятностью будут полезными для линейной регрессии?
Фоновые плейлисты, популярные в этой кофейне
Количество чеков, тип локации (офис/жилой район), погода
Цвет меню и стиль оформления стойки
Наличие кофейных напитков без кофеина
Онлайн-магазин хочет прогнозировать продажи новой коллекции. Какой из признаков с наименьшей вероятностью повысит качество модели?
Доля повторных клиентов в прошлом сезоне
Средний чек прошлых коллекций
Количество SKU в новой коллекции
Количество дизайнеров, работавших над концептом
Компания LaBuBu хочет понять, почему меняется число заказов. Какое утверждение наиболее корректно описывает линейную регрессию?
Позволяет найти зависимость между факторами и целевой переменной
Строит сложные нелинейные зависимости автоматически
Предсказывает только категориальные значения
Работает только с большими объемами данных
Что лучше всего описывает переобучение в модели?
Модель стала слишком простой и игнорирует важные факторы
Модель слишком подстраивается под обучающие данные и плохо работает на новых
Модель обучается дольше, чем ожидалось
Модель использует меньше признаков, чем доступно
R² = 0.35. Как менеджеру правильно интерпретировать этот результат?
Модель объясняет 35% вариации целевого показателя
Ошибка прогноза составляет 35%
65% прогнозов модель делает неверно
Прогнозы на 35% точнее средней линии
MAE = 1200 для прогноза оборота. Это означает, что:
В среднем модель ошибается на 1200 единиц
12% прогнозов ошиблись более чем на 1000
Максимальная ошибка равна 1200
Ошибка в 1200 — это ошибка только на последних наблюдениях
MSE по сравнению с MAE чаще выбирают, потому что:
Он проще интерпретируется менеджером
Он сильнее penalizes (наказывает) большие ошибки
Он не зависит от масштаба данных
Он всегда приводит к меньшему переобучению
Для чего используется регуляризация в линейных моделях?
Для удаления коррелированных признаков
Для уменьшения чувствительности модели к шуму и снижению переобучения
Для увеличения числа признаков
Для улучшения метрики R² в любом случае
Что характерно для L1-регуляризации (Lasso)?
Уменьшает веса, но не обнуляет их
Может обнулять коэффициенты у некоторых признаков
Никогда не изменяет исходные коэффициенты
Работает только для задач с очень большим количеством признаков
Что характерно для L2-регуляризации (Ridge)?
Способна удалять признаки полностью
Стремится уменьшать веса, но оставляет их ненулевыми
Не влияет на веса модели
Используется только при больших пропусках в данных
