ML Supervisionado: Regressão
Regressão linear, Ridge, Lasso, ElasticNet, métricas (MSE, RMSE, R²), overfitting, regularização
1Qual é o objetivo principal da regressão linear?
Qual é o objetivo principal da regressão linear?
Resposta
A regressão linear busca modelar a relação entre uma variável dependente (alvo) e uma ou mais variáveis independentes (features) encontrando a linha reta que minimiza a soma dos erros ao quadrado. Esta técnica permite prever valores contínuos e constitui a base de muitos algoritmos mais complexos.
2Na regressão linear simples, o que representa o coeficiente beta (β₁)?
Na regressão linear simples, o que representa o coeficiente beta (β₁)?
Resposta
O coeficiente β₁ representa a inclinação da linha de regressão, indicando o quanto a variável alvo muda para um aumento de uma unidade na variável independente. Um β₁ positivo significa uma relação positiva, enquanto um β₁ negativo indica uma relação inversa entre variáveis.
3Qual método é usado para encontrar os coeficientes ótimos na regressão linear?
Qual método é usado para encontrar os coeficientes ótimos na regressão linear?
Resposta
O método dos mínimos quadrados ordinários (OLS) minimiza a soma dos quadrados dos resíduos, ou seja, a diferença entre os valores observados e previstos. Esta abordagem fornece uma solução analítica fechada e é o método padrão para estimar os parâmetros da regressão linear.
O que o coeficiente de determinação R² mede na regressão?
Qual é a diferença entre MSE (Mean Squared Error) e RMSE (Root Mean Squared Error)?
+21 perguntas de entrevista
Outros temas de entrevista Data Science & ML
Fundamentos de Python
Programação Orientada a Objetos em Python
Estruturas de dados em Python
Fundamentos do Git
Fundamentos de SQL
Fundamentos de NumPy
Fundamentos de Pandas
Jupyter & Google Colab
SQL Joins e consultas avançadas
Pandas avançado
Visualização com Matplotlib & Seaborn
Visualizações interativas com Plotly
Estatística descritiva
Estatística inferencial
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionado: Classificação
Árvores de Decisão e Ensembles
ML Não Supervisionado
Pipelines ML e Validação
Séries Temporais e Previsão
Fundamentos de Deep Learning
TensorFlow & Keras
CNN e classificação de imagens
RNN e Sequências
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Implantação
Domine Data Science & ML para sua proxima entrevista
Acesse todas as perguntas, flashcards, testes tecnicos, exercicios de code review e simuladores de entrevista.
Comece gratis