Überwachtes ML: Regression
Lineare Regression, Ridge, Lasso, ElasticNet, Metriken (MSE, RMSE, R²), Overfitting, Regularisierung
1Was ist das Hauptziel der linearen Regression?
Was ist das Hauptziel der linearen Regression?
Antwort
Die lineare Regression zielt darauf ab, die Beziehung zwischen einer abhängigen Variable (Zielvariable) und einer oder mehreren unabhängigen Variablen (Features) zu modellieren, indem die Gerade gefunden wird, die die Summe der quadrierten Fehler minimiert. Diese Technik ermöglicht die Vorhersage kontinuierlicher Werte und bildet die Grundlage vieler komplexerer Algorithmen.
2Was repräsentiert der Beta-Koeffizient (β₁) in der einfachen linearen Regression?
Was repräsentiert der Beta-Koeffizient (β₁) in der einfachen linearen Regression?
Antwort
Der β₁-Koeffizient repräsentiert die Steigung der Regressionsgeraden und gibt an, wie stark sich die Zielvariable bei einer Erhöhung der unabhängigen Variable um eine Einheit ändert. Ein positives β₁ bedeutet eine positive Beziehung, während ein negatives β₁ eine inverse Beziehung zwischen Variablen anzeigt.
3Welche Methode wird verwendet, um die optimalen Koeffizienten in der linearen Regression zu finden?
Welche Methode wird verwendet, um die optimalen Koeffizienten in der linearen Regression zu finden?
Antwort
Die Methode der gewöhnlichen kleinsten Quadrate (OLS) minimiert die Summe der quadrierten Residuen, also die Differenz zwischen beobachteten und vorhergesagten Werten. Dieser Ansatz liefert eine geschlossene analytische Lösung und ist die Standardmethode zur Schätzung linearer Regressionsparameter.
Was misst der Bestimmtheitskoeffizient R² in der Regression?
Was ist der Unterschied zwischen MSE (Mean Squared Error) und RMSE (Root Mean Squared Error)?
+21 Interview-Fragen
Weitere Data Science & ML-Interviewthemen
Python-Grundlagen
Python Objektorientierte Programmierung
Python-Datenstrukturen
Git-Grundlagen
SQL-Grundlagen
NumPy-Grundlagen
Pandas-Grundlagen
Jupyter & Google Colab
SQL Joins & fortgeschrittene Abfragen
Fortgeschrittenes Pandas
Visualisierung mit Matplotlib & Seaborn
Interaktive Visualisierungen mit Plotly
Deskriptive Statistik
Inferenzstatistik
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Überwachtes ML: Klassifikation
Entscheidungsbäume & Ensembles
Unüberwachtes ML
ML-Pipelines & Validierung
Zeitreihen & Prognosen
Grundlagen des Deep Learning
TensorFlow & Keras
CNN und Bildklassifizierung
RNN & Sequenzen
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
MLOps und Deployment
Meistere Data Science & ML für dein nächstes Interview
Zugang zu allen Fragen, Flashcards, technischen Tests, Code-Review-Übungen und Interview-Simulatoren.
Kostenlos starten