A) Para criar representações visuais de dados. B) Para calcular médias de dados numéricos. C) Examinar a relação entre as variáveis. D) Para resumir dados categóricos.
A) O grau de adequação do modelo aos dados observados. B) O número de variáveis no modelo. C) O tamanho do conjunto de dados. D) O tipo de teste estatístico utilizado.
A) Distribuição normal dos resíduos B) Independência das observações C) Homoscedasticidade D) Linearidade
A) Para testar o pressuposto de linearidade em modelos de regressão. B) Para avaliar o desempenho de um modelo de classificação. C) Para resumir a distribuição de um conjunto de dados. D) Avaliar a bondade do ajuste na regressão logística.
A) Para criar uma única medida composta a partir de múltiplas variáveis. B) Para traçar pontos de dados num espaço bidimensional. C) Agrupar pontos de dados semelhantes com base em padrões ou caraterísticas. D) Investigar relações de causa e efeito.
A) APC B) Árvore de decisão C) ANOVA D) Regressão logística
A) Teste do qui-quadrado B) Validação cruzada C) Análise de regressão D) Análise de componentes principais
A) Criar novas variáveis de entrada a partir de dados existentes para melhorar o desempenho do modelo. B) Para automatizar todo o processo de modelação. C) Para remover todas as variáveis de entrada, exceto a mais importante. D) Para ajustar o modelo exatamente aos dados de treino.
A) Quando um modelo é correto e generaliza bem para dados não vistos. B) Quando um modelo é demasiado simples e não tem capacidade de previsão. C) Quando um modelo é demasiado complexo e capta o ruído nos dados. D) Quando um modelo se ajusta perfeitamente aos dados de treino mas falha nos novos dados. |