ML Supervisionato: Regressione
Regressione lineare, Ridge, Lasso, ElasticNet, metriche (MSE, RMSE, R²), overfitting, regolarizzazione
1Qual è l'obiettivo principale della regressione lineare?
Qual è l'obiettivo principale della regressione lineare?
Risposta
La regressione lineare mira a modellare la relazione tra una variabile dipendente (target) e una o più variabili indipendenti (features) trovando la retta che minimizza la somma degli errori al quadrato. Questa tecnica permette di prevedere valori continui e costituisce la base di molti algoritmi più complessi.
2Nella regressione lineare semplice, cosa rappresenta il coefficiente beta (β₁)?
Nella regressione lineare semplice, cosa rappresenta il coefficiente beta (β₁)?
Risposta
Il coefficiente β₁ rappresenta la pendenza della retta di regressione, indicando di quanto cambia la variabile target per un aumento di un'unità della variabile indipendente. Un β₁ positivo significa una relazione positiva, mentre un β₁ negativo indica una relazione inversa tra le variabili.
3Quale metodo viene utilizzato per trovare i coefficienti ottimali nella regressione lineare?
Quale metodo viene utilizzato per trovare i coefficienti ottimali nella regressione lineare?
Risposta
Il metodo dei minimi quadrati ordinari (OLS) minimizza la somma dei quadrati dei residui, ovvero la differenza tra valori osservati e previsti. Questo approccio fornisce una soluzione analitica in forma chiusa ed è il metodo standard per stimare i parametri della regressione lineare.
Cosa misura il coefficiente di determinazione R² nella regressione?
Qual è la differenza tra MSE (Mean Squared Error) e RMSE (Root Mean Squared Error)?
+21 domande da colloquio
Altri argomenti di colloquio Data Science & ML
Fondamenti di Python
Programmazione Orientata agli Oggetti in Python
Strutture dati Python
Fondamenti di Git
Fondamenti di SQL
Fondamenti di NumPy
Fondamenti di Pandas
Jupyter & Google Colab
SQL Joins e query avanzate
Pandas avanzato
Visualizzazione con Matplotlib & Seaborn
Visualizzazioni interattive con Plotly
Statistica descrittiva
Statistica inferenziale
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionato: Classificazione
Alberi Decisionali e Ensembles
ML Non Supervisionato
Pipeline ML e Validazione
Serie Temporali e Previsione
Fondamenti di Deep Learning
TensorFlow & Keras
CNN e classificazione di immagini
RNN e Sequenze
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Deployment
Padroneggia Data Science & ML per il tuo prossimo colloquio
Accedi a tutte le domande, flashcards, test tecnici, esercizi di code review e simulatori di colloquio.
Inizia gratis