|
|
1. |
В регрессионном анализе
для проверки того, является ли наблюдаемая взаимосвязь между откликом и
факторами случайной или нет, используется F-статистика |
|
|
2. |
В
регрессионном анализе для проверки значимости коэффициентов регрессии может
использоваться T-статистика |
|
|
3. |
Суть регрессионного
анализа исследование зависимости отклика от
факторов |
|
|
4. |
Для аппроксимации данных
полиномом 4-й степени необходимо определить 5 коэффициентов |
|
|
5. |
Строится линейная модель,
описывающая зависимость отклика от 4 факторов. Количество коэффициентов в
модели равно 4 |
|
|
6. |
Строится линейная модель,
описывающая зависимость отклика от 5 факторов. Количество коэффициентов в
модели равно 5 |
|
|
7. |
Получена регрессионная
модель, характеризующаяся коэффициентом детерминации R^2=1,00. Это позволяет
сделать вывод о том, что имеет место полное совпадение
анализируемых данных с моделью |
|
|
8. |
Получена регрессионная
модель, характеризующаяся коэффициентом детерминации R^2=0,02. Это позволяет
сделать вывод о том, что данная модель неприменима для описания
связи отклика с факторами, либо связь отсутствует |
|
|
9. |
Имеется выборка 1, 5, 7,
14, 18, 5, 2, 12. Медиана выборки равна 6 |
|
|
10. |
Имеется выборка 1, 5, 7,
14, 18, 3, 5, 11. Мода выборки равна 5 |
|
|
11. |
Имеется выборка 1, 3, 9,
14, 20, 5, 2, 12. 50-процентный квантиль выборки равен 7 |
|
|
12. |
Имеется выборка 1, 7, 5,
12, 22, 3, 2, 12. Справедливо утверждение мода больше медианы |
|
|
13. |
Знания, описывающие
понятия и взаимосвязи в предметной области, называются фактические |
|
|
14. |
Знания, описывающие основы
принятия решений в предметной области, называются стратегические |
|
|
15. |
Способы оперирования
декларативными знаниями - это процедурные знания |
|
|
16. |
Однозначные рекомендации
характерны для следующего типа знаний жесткие |
|
|
17. |
Знания о связях между
признаками объектов называются интенсиональные |
|
|
18. |
Знания о
последовательности действий пользователя, необходимых для отключения
компьютера, следует отнести к поверхностным знаниям |
|
|
19. |
Пол респондента в
социологической анкете - это классификационный (номинальный) признак |
|
|
20. |
Оценка на гос.экзамене -
это порядковый (ординальный)
признак |
|
|
21. |
В скоринговых данных
имеется несколько признаков. К непрерывным количественным признакам следует
отнести месячный доход |
|
|
22. |
В скоринговых данных
имеется несколько признаков. К номинальным признакам следует отнести семейный статус |
|
|
23. |
Операции меньше / больше
применимы к порядковым признакам |
|
|
24. |
Аналитический процесс
исследования больших объемов данных с целью поиска характерных структур и
значимых зависимостей называется обнаружение знаний |
|
|
25. |
Способ автоматизированного
наполнения базы знаний ИИС посредством диалога эксперта и специальной
программы называется приобретение знаний |
|
|
26. |
К общепринятым в теории
ИИС стратегиям получения знаний НЕ относится агрегирование знаний |
|
|
27. |
Интеллектуальная
информационная система состоит из базы знаний, решателя и
интеллектуального интерфейса |
|
|
28. |
Интеллектуальные
информационные технологии - это технологии решения прикладных задач с
помощью средств вычислительной техники и методов искусственного интеллекта |
|
|
29. |
Коэффициент
детерминированности (детерминации) R^2 может принимать значения от 0 до +1 |
|
|
30. |
Линейный тренд для
зависимости y от t описывается формулой y = b + at |
|
|
31. |
Получена регрессионная
модель, характеризующаяся коэффициентом детерминации R^2=0,77. Это позволяет
сделать вывод о том, что модель применима для описания зависимости
отклика от факторов, связь достаточно сильная |
|
|
32. |
Результатом работы
программы See5 является дерево решений или набор логических
правил, применимые для распознавания классов |
|
|
33. |
Результат процедуры
усиления решения в программе See5 заключается в том, что доля правильно распознанных
объектов увеличивается за счет применения комплекса деревьев решений /
нескольких наборов логических правил |
|
|
34. |
Более корректную оценку
качества работы дерева решений можно получить исключив ошибки первого рода |
|
|
35. |
Таблицы
сопряженности при решении задач классификации служат для анализа значимости признаков |
|
|
36. |
Поля строк и столбцов в
сводной таблице, построенной на базе OLAP-куба, называются измерения |
|
|
37. |
При построении OLAP-куба
средствами MS Query МОЖНО воспользоваться агрегатной функцией AVG |
|
|
38. |
Поля данных в сводной
таблице, построенной на базе OLAP-куба, называются меры |
|
|
39. |
В партии из 200 изделий 40
бракованных. С помощью решающего правила выявлено 10 бракованных, все
остальные признаны годными. Какова общая точность правила? 25% |
|
|
40. |
Строится компьютерная
система медицинской диагностики. В базе данных - информация о 100 здоровых и
100 больных. Правило ставит диагноз "здоров" 90 здоровым и 20
больным, а диагноз "болен" - всем оставшимся. Какова специфичность
правила (цель теста - выявление пациентов, нуждающихся в лечении)? 90% |
|
|
41. |
Скоринговая система должна
хорошо выявлять неблагонадёжных клиентов. Известно, что среди 150
предъявленных заявок - две трети было от благонадёжных соискателей. Система
рекомендовала выдать кредит 80 клиентам, причем в 20 случаях эта рекомендация
неверна, все остальные заявки отклонены. Какова оценка чувствительности
реализованных в системе правил? 60% |
|
|
42. |
Строится компьютерная
система. В БД - информация о 120 здоровых и 80 больных. Правило ставит
диагноз "здоров" 80 здоровым и 30 больным, а диагноз "болен"
- всем оставшимся. Штраф за ошибку "назвать здорового больным" - 2
балла, штраф за противоположную ошибку - 3 балла. Подсчитайте суммарные
потери. 170 |
|
|
43. |
Цель теста - выявить
недобросовестных заёмщиков. Ситуацию, когда компьютерная система относит неблагонадежного
клиента в группу Норма, следует признать пропуском цели |
|
|
44. |
Цель теста - выявить
бракованные изделия. Ситуацию, когда компьютерная система объявляет годное
изделие бракованным, следует признать ложной тревогой |
|
|
45. |
Доля случаев, когда
правило даёт верный результат, относительно всех случаев его применения,
называется точностью |
|
|
46. |
Компьютерный тест выявляет
бракованные изделия. Отношение верно диагностированных бракованных изделий к
их общему числу характеризует чувствительность |
|
|
47. |
При компьютерном скоринге
решающее правило R идентифицировало PR потенциальных дефолтов и неправомерно
отнесло к рискованным NR заявок. Точность правила R можно определить по
формуле 1– NR /(PR + NR) |
|
|
48. |
Компьютерный тест
предназначен для выявления бракованных изделий. Всего представлено 100
изделий, из которых пятая часть бракованных. В ходе теста к бракованным
отнесено 28 изделий, причем чувствительность теста составила 100%.
Специфичность теста равна 90% |
|
|
49. |
Компьютерный тест
предназначен для выявления бракованных изделий. Всего представлено 100
изделий, из которых 40 бракованных. В ходе теста к нормальным отнесено 66
изделий, причем специфичность теста составила 90%. Чувствительность теста
равна 70% |
|
|
50. |
Компьютерный тест
предназначен для выявления заявок на кредит, которые следует отклонить. Из
поданных 100 заявок 10% было от неблагонадёжных клиентов. Штраф за
гиподиагностику — 2 балла, за гипердиагностику — 1 балл. По результатам теста
выявлены все неблагонадёжные клиенты, помимо этого отказ в кредите получили
еще 30 клиентов. Справедлив вывод тест неприемлем: по сравнению
с ситуацией выдачи всех кредитов суммарные потери выросли |
|
|
51. |
Компьютерный тест
предназначен для выявления заявок на кредит, которые следует отклонить.
Половина из поданных 100 заявок была от неблагонадёжных клиентов. Штраф за
гиподиагностику — 3 балла, за гипердиагностику — 1 балл. По результатам теста
выявлены все неблагонадёжные клиенты, помимо этого отказ в кредите получили
еще 10 клиентов. Справедлив вывод тест полезен: суммарные
потери ниже априорных при любой базовой стратегии |
|
|
52. |
Компьютерный тест
предназначен для выявления заявок на кредит, которые следует отклонить. 40 из
поданных 100 заявок были от неблагонадёжных клиентов. Штраф за
гиподиагностику — 3 балла, за гипердиагностику — 2 балла. По результатам
теста пропущено 10 сомнительных заявок, также отклонены 15 заявок от
благонадёжных клиентов, по всем остальным заявкам принято правильное решение.
Удельные потери составят 0,60 баллов |
|
|
53. |
Было подано 300 заявок на
кредит, из них две трети — от неблагонадёжных заёмщиков. При помощи
компьютерного теста правильно идентифицировано 120 потенциальных невозвратов,
а также ошибочно отклонена пятая часть заявок из тех, которые следовало
удовлетворить. Чувствительность теста (цель - выявление неблагонадежных)
составляет 60% |
|
|
54. |
Было подано 300 заявок на
кредит, из них шестая часть — от неблагонадёжных заёмщиков. При помощи
компьютерного теста правильно идентифицировано 40 потенциальных невозвратов,
а также ошибочно отклонено 20 заявок из тех, которые следовало удовлетворить.
Общая точность теста составляет 80% |
|
|
55. |
Было подано 400 заявок на
кредит, из них 150 — от неблагонадёжных заёмщиков. При помощи компьютерного
теста правильно идентифицировано 125 благонадежных заёмщиков, но при этом
одобрена пятая часть тех заявок, которые следовало отклонить. Специфичность
теста (цель - выявление
неблагонадежных) составляет 50% |
|
|
56. |
При прогнозировании
невозврата банковского кредита гиподиагностикой следует признать решение выдать кредит ненадёжному заёмщику |
|
|
57. |
Стандартное
отклонение для выборки равно корню из выборочной дисперсии |
|
|
58. |
Имеется выборка 1, 5, 7,
14, 18, 2, 5, 12. Верхняя (75%) квартиль выборки равна 13 |
|
|
59. |
Имеется выборка 1, 6, 22, 15, 24, 2, 5, 12.
Нижняя (25%) квартиль выборки равна дисперсия выборки равна нулю |
|
|
60. |
Выборка состоит из 5 одинаковых чисел.
Справедливо утверждение дисперсия выборки равна нулю |
|
|
61. |
Следующий показатель среди перечисленных
более устойчив к присутствию в выборке элементов с аномальными значениями
(выбросов) медиана |
|
|