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: 928 razy
. Statystyka 𝐶𝑝 Mallowsa wykorzystywana jest:
w celu wyboru modelu o dobrych własnościach predykcyjnych
w celu badania istotności obserwacji wpływowych
w celu określania obserwacji wpływowych
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 dopasowania modelu do danych rzeczywistych
miernik ex post błędu prognoz
ocena ex ante błędu prognoz
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 z nadzorem
modelowanie predykcyjne
uczenie bez nadzoru
. Odkrywania nietrywialnych zależności, schematów, wzorców, reguł w zbiorach danych to
modelowanie predykcyjne
uczenie z nadzorem
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:
określenie kontekstu modelowania
sformułowanie zadania prognostycznego
analityczne przygotowanie danych
Reszty w poprawnie oszacowanego modelu liniowego powinny:
i niezależne.
mieć rozkład normalny
mieć rozkład normalny być jednorodne i niezależne.
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)
Wariancja zmiennej zależnej może być funkcją jej średniej (nie musi być stała).
Zmienna objaśniana może być połączona z liniową kombinacją zmiennych objaśniających za pomocą funkcji nieliniowych (funkcji wiążących).
⦁ Krzywą ROC można wykorzystać:
do ceny i porównywania między sobą modeli klasyfikacyjnych
do ustalenia optymalnego punkt odcięcia
do oceny współliniowości zmiennych objaśniających
⦁ W uogólnionym modelu liniowym (GLM) funkcja wiążąca łączy:
predyktor liniowy z średnią zmiennej zależne
predyktor liniowy z kombinacją liniową średnich zmiennych niezależnych
predyktor liniowy z wektorem parametrów modelu , ,...,
⦁ Dodanie do uogólnionego modelu liniowego (GLM) kolejnej zmiennej zależnej (regresora) skutkuje:
zmniejszeniem dewiancji
zmniejszeniem lub zwiększeniem dewiancji (w zależności od tego, czy dodajemy zmienną jakościową, czy ilościową
zwiększeniem dewiancji
⦁ Istotność parametrów modelu liniowego (każdego z osobna) sprawdzamy testem:
Durbina-Watsona
Studenta
Breuscha-Pagana
⦁ Sumę kwadratów reszt (RSS) nazywamy:
całkowitą zmiennością
zmiennością wyjaśnioną przez model
zmiennością niewyjaśnioną przez model
⦁ Element diagonalny macierzy daszkowej nazywamy:
standaryzowaną resztą modelu
wskaźnikiem wpływu (dźwignią
miarą Cooka
⦁ Średni błąd predykcji ex post (root mean square error, RMSE):
mierzy, w jakim stopniu model wyjaśnia zmiany zmiennej prognozowanej w czasie
mierzy, o ile średnio odchylają się rzeczywiste realizacje zmiennej prognozowanej od obliczonych prognoz
wskazuje, o ile przeciętnie wzrasta wartość zmiennej prognozowanej w porównaniu z "ostatnią" wartością rzeczywistą
⦁ Wartość odchylenia rzeczywistych realizacji zmiennej prognozowanej od obliczonych prognoz jest to:
miernik dopasowania modelu do danych rzeczywistych
ocena ex ante błędu prognoz
miernik ex post błędu prognoz
⦁ 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 zerowym
modelem Poissona
modelem nasyconym
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
modelem logitowym
logitem
szansą wystąpienia A ()
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.