|
编译 | 吴蕾，寒小阳 简介 回归技术不仅包含线性和逻辑回归方面知识，它还体现了多种建模和分析变量的能力。此项技能测试是为了评估你在众多回归技术方面的概念和运用能力。 此次共有1845名选手参与测试，我能确信，这是在回归领域内公认的最佳测试集。 如果你没能参与，确实是错过了实时考试的机会，那也不必遗憾，这里将公布考题和答案，你可以看看自己掌握了多少。 总体分数 下图展示了整体分数的分布情况，可以帮助你评估自己的成绩。 你能够在此处（https://datahack.analyticsvidhya.com/contest/skilltest-regression/lb）评估你的成绩：约530名选手参加了技能测试，最高分是38分，下面是些分布统计值： 平均值：23.15 中位值：23 高频值：23 回归学习的资源 如果你要复习一下回归的相关知识，可以参考以下网站： ■ 使用假设，图解及方案，深入学习回归分析 https://www.analyticsvidhya.com/blog/2016/07/deeper-regression-analysis-assumptions-plots-solutions/ https://www.analyticsvidhya.com/blog/2015/10/regression-python-beginners/ ■ 你应该知道的7种回归技术 https://www.analyticsvidhya.com/blog/2015/08/comprehensive-guide-regression/ ■ 用R实现逻辑回归的简单指南 https://www.analyticsvidhya.com/blog/2015/11/beginners-guide-on-logistic-regression-in-r/ ■ Python实现岭回归和Lasso回归的完全指导书 https://www.analyticsvidhya.com/blog/2016/01/complete-tutorial-ridge-lasso-regression-python/ ■ 利用Platt Scaling和保序回归（Isotonic Regression）来最小化Log loss Error，用R语言实现 https://www.analyticsvidhya.com/blog/2016/07/platt-scaling-isotonic-regression-minimize-logloss-error/ 1 下面回归模型中的哪个步骤/假设最能影响过拟合和欠拟合之间的平衡因素： A. 多项式的阶数 B. 是否通过矩阵求逆或梯度下降学习权重 C.使用常数项 答案：A 选取合适的多项式阶数对于回归的拟合程度会产生重要的影响。多项式阶数越高，越容易产生过拟合现象。 2 假设您有一组实数输入变量和实数输出变量，线性回归（Y=bX+c）情况下的留一交叉验证（leave-one-out-cross-validation）的均方误差是多少？ A. 10/27 B. 20/27 C. 50/27 D. 49/27 答案：D 我们要计算每个交叉验证点的残差。用两点拟合出直线后，用剩下的那个点进行交叉验证。弃一交叉验证的均方差=(2^2 +(2/3)^2 +1^2) /3 = 49/27 3 Q3: 关于MLE（最大似然估计），下面哪一项或几项说法是正确的 MLE可能不存在 MLE总是存在 如果MLE存在，可能不是唯一的 如果MLE存在，肯定是唯一的 A. 1 and 4 B. 2 and 3 C. 1 and 3 D. 2 and 4 答案： C MLE可以不是转折点，即，可以不是似然（和对数似然）函数的一阶导数的消失点。 MLE可以不是唯一的。 4 Q4：假设一个线性回归模型完美适合训练数据（训练误差为0），下面那个说法是错误的： A． 你总是能获得测试误差为0 B． 你不能得到测试误差为0 C． 以上皆非 答案：C 测试误差有可能为0，假如测试数据里面没有噪声数据。或者说，如果测试数据能够完美表征训练数据集，测试误差即可为0，但测试数据不会总这样。 5 Q5: 在线性回归问题中，我们使用决定系数 (R-squared)来测量拟合优度。我们在线性回归模型中添加一个特征值，并保留相同的模型。 下面哪种说法是正确的？ 如果R-Squared增大，这个变量是显著的。 如果R-Squared减小，这个变量是不显著的。 单独观察R-Squared的变化趋势，无法判断这个变量是否显著。 以上皆非 答案：C (责任编辑：本港台直播) |
