Wyszukaj
Zaloguj / zarejestruj się
Jeśli masz już konto, możesz się zalogować.
Jeśli nie masz konta, zarejestruj nowe podając nazwę użytkownika, adres email i hasło.
Formularz kontaktowy
Memorizer+
Wykup dostęp
Ta funkcja jest dostępna dla użytkowników, którzy wykupili plan Memorizer+
Fiszki
Wanat Egzaminy I
Test w formie fiszek Modelowanie II
Ilość pytań: 54 Rozwiązywany: 936 razy
. Statystyka 𝐶𝑝 Mallowsa wykorzystywana jest:
w celu badania istotności obserwacji wpływowych
w celu określania obserwacji wpływowych
w celu wyboru modelu o dobrych własnościach predykcyjnych
W modelu regresji liniowej
reszty muszą mieć rozkład normalny o średniej zero i takiej samej wariancji
wszystkie zmienne objaśniające muszą być ilościowe
zmienna zależna musi mieć rozkład normalny
Wartość odchylenia rzeczywistych realizacji zmiennej prognozowanej od prognoz jest to:
miernik ex post błędu prognoz
ocena ex ante błędu prognoz
miernik dopasowania modelu do danych rzeczywistych
Narzędzia wykrycia zależności pomiędzy interesującą nas zmienną objaśnianą (kilkoma zmiennymi objaśnianymi) opisującą badane obiekty (jednostki) a zbiorem innych zmiennych objaśniających (niezależnych, predyktorów) też opisujących te obiekty
uczenie bez nadzoru
uczenie z nadzorem
modelowanie predykcyjne
. Odkrywania nietrywialnych zależności, schematów, wzorców, reguł w zbiorach danych to
uczenie z nadzorem
modelowanie predykcyjne
uczenie bez nadzoru
Zapoznanie się z istniejącą teorią dotyczącą modelowanego zjawisk oraz z poświęconymi mu dotychczasowymi badaniami to czynności realizowane na następującym etapie budowy modelu predykcyjnego:
analityczne przygotowanie danych
sformułowanie zadania prognostycznego
określenie kontekstu modelowania
Reszty w poprawnie oszacowanego modelu liniowego powinny:
mieć rozkład normalny być jednorodne i niezależne.
i niezależne.
mieć rozkład normalny
Uogólnione modele liniowe (ang. generalized linear models – GLMs) są rozszerzeniem zwykłych modeli regresji
Zmienna objaśniana może mieć rozkład należący do wykładniczej rodziny rozkładów (np. normalny, gamma, Poissona, dwumianowy, Tweedie)
Zmienna objaśniana może być połączona z liniową kombinacją zmiennych objaśniających za pomocą funkcji nieliniowych (funkcji wiążących).
Wariancja zmiennej zależnej może być funkcją jej średniej (nie musi być stała).
⦁ Krzywą ROC można wykorzystać:
do oceny współliniowości zmiennych objaśniających
do ustalenia optymalnego punkt odcięcia
do ceny i porównywania między sobą modeli klasyfikacyjnych
⦁ W uogólnionym modelu liniowym (GLM) funkcja wiążąca łączy:
predyktor liniowy z kombinacją liniową średnich zmiennych niezależnych
predyktor liniowy z średnią zmiennej zależne
predyktor liniowy z wektorem parametrów modelu , ,...,
⦁ Dodanie do uogólnionego modelu liniowego (GLM) kolejnej zmiennej zależnej (regresora) skutkuje:
zwiększeniem dewiancji
zmniejszeniem lub zwiększeniem dewiancji (w zależności od tego, czy dodajemy zmienną jakościową, czy ilościową
zmniejszeniem dewiancji
⦁ Istotność parametrów modelu liniowego (każdego z osobna) sprawdzamy testem:
Studenta
Breuscha-Pagana
Durbina-Watsona
⦁ Sumę kwadratów reszt (RSS) nazywamy:
zmiennością niewyjaśnioną przez model
całkowitą zmiennością
zmiennością wyjaśnioną przez model
⦁ Element diagonalny macierzy daszkowej nazywamy:
wskaźnikiem wpływu (dźwignią
standaryzowaną resztą modelu
miarą Cooka
⦁ Średni błąd predykcji ex post (root mean square error, RMSE):
mierzy, w jakim stopniu model wyjaśnia zmiany zmiennej prognozowanej w czasie
wskazuje, o ile przeciętnie wzrasta wartość zmiennej prognozowanej w porównaniu z "ostatnią" wartością rzeczywistą
mierzy, o ile średnio odchylają się rzeczywiste realizacje zmiennej prognozowanej od obliczonych prognoz
⦁ Wartość odchylenia rzeczywistych realizacji zmiennej prognozowanej od obliczonych prognoz jest to:
miernik ex post błędu prognoz
ocena ex ante błędu prognoz
miernik dopasowania modelu do danych rzeczywistych
⦁ Określenie wymagania co do dopuszczalności i horyzontu prognozy zaliczamy do następującego etapu budowy modelu predykcyjnego:
analitycznego przygotowania danych
sformułowania zadania prognostycznego
określenia kontekstu modelowania
⦁ Uogólniony model liniowy o liczbie parametrów równej liczbie obserwacji nazywamy:
modelem Poissona
modelem nasyconym
modelem zerowym
k-krotna walidacja krzyżowa służy do:
określenia jakości modelu w trakcie jego uczenia
wyboru zmiennych objaśniających
badania normalności reszt modelu
Iloraz prawdopodobieństwa wystąpienia zdarzenia do prawdopodobieństwa jego niewystąpienia nazywamy
logitem
szansą wystąpienia A ()
modelem logitowym
Cześć!
Wykryliśmy, że blokujesz reklamy na naszej stronie.
Reklamy, jak zapewne wiesz, pozwalają na utrzymanie i rozwój serwisu. W związku z tym prosimy Cię o ich odblokowanie by móc kontynuować naukę.