Uczenie nadzorowane: Regresja
Regresja liniowa, Ridge, Lasso, ElasticNet, metryki (MSE, RMSE, R²), overfitting, regularyzacja
1Jaki jest główny cel regresji liniowej?
Jaki jest główny cel regresji liniowej?
Odpowiedź
Regresja liniowa ma na celu modelowanie zależności między zmienną zależną (celem) a jedną lub kilkoma zmiennymi niezależnymi (features), znajdując prostą minimalizującą sumę kwadratów błędów. Ta technika umożliwia przewidywanie wartości ciągłych i stanowi podstawę wielu bardziej złożonych algorytmów.
2Co reprezentuje współczynnik beta (β₁) w prostej regresji liniowej?
Co reprezentuje współczynnik beta (β₁) w prostej regresji liniowej?
Odpowiedź
Współczynnik β₁ reprezentuje nachylenie linii regresji, wskazując jak bardzo zmienna celu zmienia się przy wzroście zmiennej niezależnej o jednostkę. Dodatnie β₁ oznacza relację dodatnią, natomiast ujemne β₁ wskazuje na odwrotną relację między zmiennymi.
3Jaka metoda jest używana do znalezienia optymalnych współczynników w regresji liniowej?
Jaka metoda jest używana do znalezienia optymalnych współczynników w regresji liniowej?
Odpowiedź
Metoda zwykłych najmniejszych kwadratów (OLS) minimalizuje sumę kwadratów reszt, czyli różnicę między wartościami obserwowanymi a przewidywanymi. To podejście dostarcza rozwiązanie analityczne w postaci zamkniętej i jest standardową metodą szacowania parametrów regresji liniowej.
Co mierzy współczynnik determinacji R² w regresji?
Jaka jest różnica między MSE (Mean Squared Error) a RMSE (Root Mean Squared Error)?
+21 pytań z rozmów
Inne tematy rekrutacyjne Data Science & ML
Podstawy Pythona
Programowanie Obiektowe w Pythonie
Struktury danych Python
Podstawy Git
Podstawy SQL
Podstawy NumPy
Podstawy Pandas
Jupyter & Google Colab
SQL Joins i zaawansowane zapytania
Zaawansowany Pandas
Wizualizacja z Matplotlib & Seaborn
Interaktywne wizualizacje z Plotly
Statystyka opisowa
Statystyka inferencyjna
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Uczenie nadzorowane: Klasyfikacja
Drzewa Decyzyjne i Ensembles
ML Nienadzorowane
Pipeline'y ML i walidacja
Szeregi czasowe i prognozowanie
Podstawy Deep Learning
TensorFlow & Keras
CNN i klasyfikacja obrazów
RNN i Sekwencje
Transformers i Attention
NLP i Hugging Face
GenAI i LangChain
MLOps i Wdrożenie
Opanuj Data Science & ML na następną rozmowę
Uzyskaj dostęp do wszystkich pytań, flashcards, testów technicznych, ćwiczeń code review i symulatorów rozmów.
Zacznij za darmo