Обобщённые линейные модели — бесплатный тест онлайн

Вопрос 1 из 30

Ситуация: Сервис оценивает вероятность отказа, но модель иногда выдаёт -0,2 и 1,1. Какой механизм точнее всего объясняет связь кода с ситуацией?

df <- data.frame(y = c(0,0,1,1,1), x = 1:5)
fit <- lm(y ~ x, data = df)
result <- predict(fit, newdata = data.frame(x = c(0, 7)))
result

Качество GLM требует проверки формы связи, разделения классов, переобучения, калибровки и соответствия распределения данным deviance сравнивает правдоподобие модели с насыщенной моделью и полезна для сопоставления вложенных спецификаций при корректных предпосылках link-функция связывает условное среднее отклика с линейным предиктором и выбирается вместе с семейством распределения exp(beta) в логистической модели — множитель отношения шансов при увеличении предиктора на единицу при фиксированных остальных переменных Логистическая регрессия моделирует логарифм отношения шансов бинарного события и возвращает вероятности после обратного преобразования

Вопрос 2 из 30

Ситуация: Сервис оценивает вероятность отказа, но модель иногда выдаёт -0,2 и 1,1. Какой дефект нужно искать в первую очередь?

df <- data.frame(y = c(0,0,1,1,1), x = 1:5)
fit <- lm(y ~ x, data = df)
result <- predict(fit, newdata = data.frame(x = c(0, 7)))
result

Отношение шансов нельзя безусловно называть отношением вероятностей, особенно когда событие частое Подгонка обычной линейной модели к нулям и единицам допускает прогнозы вне диапазона и неверную структуру дисперсии Меньшая deviance сама по себе не оправдывает любую сложность и не заменяет проверку на новых данных Высокая точность при редком событии может быть достигнута моделью, всегда выбирающей отрицательный класс Интерпретация коэффициента на шкале отклика без обратного преобразования делает эффект количественно неверным

Вопрос 3 из 30

Ситуация: Сервис оценивает вероятность отказа, но модель иногда выдаёт -0,2 и 1,1. Какой вариант исправления сохраняет смысл анализа?

Используйте glm(..., family = binomial) и задайте смысл положительного класса до интерпретации Сопоставляйте вложенные модели тестом отношения правдоподобий и учитывайте сложность, диагностику и валидацию Сообщайте исходный риск и предсказанные вероятности для понятных сценариев наряду с odds ratio Оценивайте калибровку, ROC/PR, ошибки по порогу и стабильность коэффициентов, а не одну accuracy Явно различайте шкалу link и response, а эффект показывайте через предсказанные значения или подходящее преобразование

Вопрос 4 из 30

Ситуация: Сервис оценивает вероятность отказа, но модель иногда выдаёт -0,2 и 1,1. Какая проверка относится к исходному риску, а не к внешнему виду результата?

Сравните baseline, confusion matrix, calibration curve и метрики на независимой выборке Сравните predict(..., type='link') и type='response' на нескольких значениях предиктора Проверьте уровни отклика, диапазон прогнозов, калибровку и качество на независимых данных Проверьте разность deviance, степени свободы, AIC и ошибку на holdout Вычислите вероятности для двух значений предиктора и сравните их с exp(coef)

Вопрос 5 из 30

Ситуация: Сервис оценивает вероятность отказа, но модель иногда выдаёт -0,2 и 1,1. Какое заключение лучше всего выдерживает проверку?

df <- data.frame(y = c(0,0,1,1,1), x = 1:5)
fit <- lm(y ~ x, data = df)
result <- predict(fit, newdata = data.frame(x = c(0, 7)))
result

exp(beta) в логистической модели — множитель отношения шансов при увеличении предиктора на единицу при фиксированных остальных переменных; при этом главный риск состоит в том, что подгонка обычной линейной модели к нулям и единицам допускает прогнозы вне диапазона и неверную структуру дисперсии link-функция связывает условное среднее отклика с линейным предиктором и выбирается вместе с семейством распределения; при этом главный риск состоит в том, что интерпретация коэффициента на шкале отклика без обратного преобразования делает эффект количественно неверным Логистическая регрессия моделирует логарифм отношения шансов бинарного события и возвращает вероятности после обратного преобразования; при этом главный риск состоит в том, что отношение шансов нельзя безусловно называть отношением вероятностей, особенно когда событие частое Логистическая регрессия моделирует логарифм отношения шансов бинарного события и возвращает вероятности после обратного преобразования; поэтому достаточно один раз проверить класс объекта на текущем наборе данных Логистическая регрессия моделирует логарифм отношения шансов бинарного события и возвращает вероятности после обратного преобразования; при этом главный риск состоит в том, что подгонка обычной линейной модели к нулям и единицам допускает прогнозы вне диапазона и неверную структуру дисперсии

Вопрос 6 из 30

Ситуация: Коэффициент логистической модели называют прямым изменением вероятности на каждую единицу веса. На какое свойство R здесь следует опереться?

fit <- glm(am ~ wt, data=mtcars, family=binomial(link='logit'))
result <- c(link=predict(fit,newdata=data.frame(wt=3),type='link'), prob=predict(fit,newdata=data.frame(wt=3),type='response'))
result

Логистическая регрессия моделирует логарифм отношения шансов бинарного события и возвращает вероятности после обратного преобразования link-функция связывает условное среднее отклика с линейным предиктором и выбирается вместе с семейством распределения exp(beta) в логистической модели — множитель отношения шансов при увеличении предиктора на единицу при фиксированных остальных переменных deviance сравнивает правдоподобие модели с насыщенной моделью и полезна для сопоставления вложенных спецификаций при корректных предпосылках Воспроизводимый GLM фиксирует данные, формулу, кодирование факторов, версии пакетов, порог решения и способ оценки

Вопрос 7 из 30

Ситуация: Коэффициент логистической модели называют прямым изменением вероятности на каждую единицу веса. Почему успешный запуск ещё не доказывает корректность?

fit <- glm(am ~ wt, data=mtcars, family=binomial(link='logit'))
result <- c(link=predict(fit,newdata=data.frame(wt=3),type='link'), prob=predict(fit,newdata=data.frame(wt=3),type='response'))
result

Интерпретация коэффициента на шкале отклика без обратного преобразования делает эффект количественно неверным Отношение шансов нельзя безусловно называть отношением вероятностей, особенно когда событие частое Изменение базового уровня фактора меняет вид коэффициентов и может создать ложное впечатление, что модель стала другой Подгонка обычной линейной модели к нулям и единицам допускает прогнозы вне диапазона и неверную структуру дисперсии Меньшая deviance сама по себе не оправдывает любую сложность и не заменяет проверку на новых данных

Вопрос 8 из 30

Ситуация: Коэффициент логистической модели называют прямым изменением вероятности на каждую единицу веса. Какая правка лучше локальной заплатки?

Сохраняйте recipe/model matrix, уровни факторов и полный объект модели вместе с отчётом Явно различайте шкалу link и response, а эффект показывайте через предсказанные значения или подходящее преобразование Используйте glm(..., family = binomial) и задайте смысл положительного класса до интерпретации Сообщайте исходный риск и предсказанные вероятности для понятных сценариев наряду с odds ratio Сопоставляйте вложенные модели тестом отношения правдоподобий и учитывайте сложность, диагностику и валидацию

Вопрос 9 из 30

Ситуация: Коэффициент логистической модели называют прямым изменением вероятности на каждую единицу веса. Как подтвердить корректность на граничном случае?

Сравните predict(..., type='link') и type='response' на нескольких значениях предиктора Проверьте разность deviance, степени свободы, AIC и ошибку на holdout Повторите predict на контрольном наборе в чистом окружении и сравните матрицу дизайна Проверьте уровни отклика, диапазон прогнозов, калибровку и качество на независимых данных Вычислите вероятности для двух значений предиктора и сравните их с exp(coef)

Вопрос 10 из 30

Ситуация: Коэффициент логистической модели называют прямым изменением вероятности на каждую единицу веса. Какой вывод точнее всего связывает механизм и главный риск?

fit <- glm(am ~ wt, data=mtcars, family=binomial(link='logit'))
result <- c(link=predict(fit,newdata=data.frame(wt=3),type='link'), prob=predict(fit,newdata=data.frame(wt=3),type='response'))
result

link-функция связывает условное среднее отклика с линейным предиктором и выбирается вместе с семейством распределения; следовательно, совпадение числа строк можно считать полной проверкой решения link-функция связывает условное среднее отклика с линейным предиктором и выбирается вместе с семейством распределения; при этом главный риск состоит в том, что интерпретация коэффициента на шкале отклика без обратного преобразования делает эффект количественно неверным link-функция связывает условное среднее отклика с линейным предиктором и выбирается вместе с семейством распределения; при этом главный риск состоит в том, что отношение шансов нельзя безусловно называть отношением вероятностей, особенно когда событие частое Логистическая регрессия моделирует логарифм отношения шансов бинарного события и возвращает вероятности после обратного преобразования; при этом главный риск состоит в том, что подгонка обычной линейной модели к нулям и единицам допускает прогнозы вне диапазона и неверную структуру дисперсии exp(beta) в логистической модели — множитель отношения шансов при увеличении предиктора на единицу при фиксированных остальных переменных; при этом главный риск состоит в том, что интерпретация коэффициента на шкале отклика без обратного преобразования делает эффект количественно неверным

Вопрос 11 из 30

Ситуация: Добавление десятка признаков снизило deviance, и модель объявили лучше без проверки переобучения. Какое утверждение лучше всего объясняет показанный фрагмент?

m0 <- glm(am ~ 1, data=mtcars, family=binomial)
m1 <- glm(am ~ wt + hp, data=mtcars, family=binomial)
result <- anova(m0, m1, test='Chisq')
result

exp(beta) в логистической модели — множитель отношения шансов при увеличении предиктора на единицу при фиксированных остальных переменных Воспроизводимый GLM фиксирует данные, формулу, кодирование факторов, версии пакетов, порог решения и способ оценки Качество GLM требует проверки формы связи, разделения классов, переобучения, калибровки и соответствия распределения данным Логистическая регрессия моделирует логарифм отношения шансов бинарного события и возвращает вероятности после обратного преобразования deviance сравнивает правдоподобие модели с насыщенной моделью и полезна для сопоставления вложенных спецификаций при корректных предпосылках

Вопрос 12 из 30

Ситуация: Добавление десятка признаков снизило deviance, и модель объявили лучше без проверки переобучения. Какое скрытое допущение здесь опаснее остальных?

m0 <- glm(am ~ 1, data=mtcars, family=binomial)
m1 <- glm(am ~ wt + hp, data=mtcars, family=binomial)
result <- anova(m0, m1, test='Chisq')
result

Изменение базового уровня фактора меняет вид коэффициентов и может создать ложное впечатление, что модель стала другой Подгонка обычной линейной модели к нулям и единицам допускает прогнозы вне диапазона и неверную структуру дисперсии Меньшая deviance сама по себе не оправдывает любую сложность и не заменяет проверку на новых данных Отношение шансов нельзя безусловно называть отношением вероятностей, особенно когда событие частое Высокая точность при редком событии может быть достигнута моделью, всегда выбирающей отрицательный класс

Вопрос 13 из 30

Ситуация: Добавление десятка признаков снизило deviance, и модель объявили лучше без проверки переобучения. Что нужно сделать, чтобы ошибка не вернулась на следующем наборе данных?

Сохраняйте recipe/model matrix, уровни факторов и полный объект модели вместе с отчётом Сообщайте исходный риск и предсказанные вероятности для понятных сценариев наряду с odds ratio Оценивайте калибровку, ROC/PR, ошибки по порогу и стабильность коэффициентов, а не одну accuracy Сопоставляйте вложенные модели тестом отношения правдоподобий и учитывайте сложность, диагностику и валидацию Используйте glm(..., family = binomial) и задайте смысл положительного класса до интерпретации

Вопрос 14 из 30

Ситуация: Добавление десятка признаков снизило deviance, и модель объявили лучше без проверки переобучения. Какая проверка непосредственно подтверждает, что дефект устранён?

Сравните baseline, confusion matrix, calibration curve и метрики на независимой выборке Проверьте разность deviance, степени свободы, AIC и ошибку на holdout Повторите predict на контрольном наборе в чистом окружении и сравните матрицу дизайна Проверьте уровни отклика, диапазон прогнозов, калибровку и качество на независимых данных Вычислите вероятности для двух значений предиктора и сравните их с exp(coef)

Вопрос 15 из 30

Ситуация: Добавление десятка признаков снизило deviance, и модель объявили лучше без проверки переобучения. Что стоит написать в технической рецензии к этому фрагменту?

m0 <- glm(am ~ 1, data=mtcars, family=binomial)
m1 <- glm(am ~ wt + hp, data=mtcars, family=binomial)
result <- anova(m0, m1, test='Chisq')
result

Логистическая регрессия моделирует логарифм отношения шансов бинарного события и возвращает вероятности после обратного преобразования; при этом главный риск состоит в том, что подгонка обычной линейной модели к нулям и единицам допускает прогнозы вне диапазона и неверную структуру дисперсии Качество GLM требует проверки формы связи, разделения классов, переобучения, калибровки и соответствия распределения данным; при этом главный риск состоит в том, что меньшая deviance сама по себе не оправдывает любую сложность и не заменяет проверку на новых данных deviance сравнивает правдоподобие модели с насыщенной моделью и полезна для сопоставления вложенных спецификаций при корректных предпосылках; поэтому повторный запуск в той же сессии заменяет проверку граничных случаев deviance сравнивает правдоподобие модели с насыщенной моделью и полезна для сопоставления вложенных спецификаций при корректных предпосылках; при этом главный риск состоит в том, что меньшая deviance сама по себе не оправдывает любую сложность и не заменяет проверку на новых данных deviance сравнивает правдоподобие модели с насыщенной моделью и полезна для сопоставления вложенных спецификаций при корректных предпосылках; при этом главный риск состоит в том, что высокая точность при редком событии может быть достигнута моделью, всегда выбирающей отрицательный класс

Вопрос 16 из 30

Ситуация: Событие встречается у половины объектов, но отношение шансов 2 трактуют как удвоение вероятности. Что является главным техническим основанием для разбора?

fit <- glm(am ~ wt, data=mtcars, family=binomial)
result <- exp(coef(fit)['wt'])
result

link-функция связывает условное среднее отклика с линейным предиктором и выбирается вместе с семейством распределения Логистическая регрессия моделирует логарифм отношения шансов бинарного события и возвращает вероятности после обратного преобразования exp(beta) в логистической модели — множитель отношения шансов при увеличении предиктора на единицу при фиксированных остальных переменных Воспроизводимый GLM фиксирует данные, формулу, кодирование факторов, версии пакетов, порог решения и способ оценки deviance сравнивает правдоподобие модели с насыщенной моделью и полезна для сопоставления вложенных спецификаций при корректных предпосылках

Вопрос 17 из 30

Ситуация: Событие встречается у половины объектов, но отношение шансов 2 трактуют как удвоение вероятности. Что именно может сломаться при новых данных?

fit <- glm(am ~ wt, data=mtcars, family=binomial)
result <- exp(coef(fit)['wt'])
result

Интерпретация коэффициента на шкале отклика без обратного преобразования делает эффект количественно неверным Меньшая deviance сама по себе не оправдывает любую сложность и не заменяет проверку на новых данных Отношение шансов нельзя безусловно называть отношением вероятностей, особенно когда событие частое Изменение базового уровня фактора меняет вид коэффициентов и может создать ложное впечатление, что модель стала другой Подгонка обычной линейной модели к нулям и единицам допускает прогнозы вне диапазона и неверную структуру дисперсии

Вопрос 18 из 30

Ситуация: Событие встречается у половины объектов, но отношение шансов 2 трактуют как удвоение вероятности. Какое изменение устраняет именно причину проблемы?

Используйте glm(..., family = binomial) и задайте смысл положительного класса до интерпретации Явно различайте шкалу link и response, а эффект показывайте через предсказанные значения или подходящее преобразование Сопоставляйте вложенные модели тестом отношения правдоподобий и учитывайте сложность, диагностику и валидацию Сохраняйте recipe/model matrix, уровни факторов и полный объект модели вместе с отчётом Сообщайте исходный риск и предсказанные вероятности для понятных сценариев наряду с odds ratio

Вопрос 19 из 30

Ситуация: Событие встречается у половины объектов, но отношение шансов 2 трактуют как удвоение вероятности. Какой контроль отличит исправление от случайно удачного результата?

Проверьте разность deviance, степени свободы, AIC и ошибку на holdout Вычислите вероятности для двух значений предиктора и сравните их с exp(coef) Проверьте уровни отклика, диапазон прогнозов, калибровку и качество на независимых данных Сравните predict(..., type='link') и type='response' на нескольких значениях предиктора Повторите predict на контрольном наборе в чистом окружении и сравните матрицу дизайна

Вопрос 20 из 30

Ситуация: Событие встречается у половины объектов, но отношение шансов 2 трактуют как удвоение вероятности. Какое заключение останется верным и на новых данных?

fit <- glm(am ~ wt, data=mtcars, family=binomial)
result <- exp(coef(fit)['wt'])
result

exp(beta) в логистической модели — множитель отношения шансов при увеличении предиктора на единицу при фиксированных остальных переменных; при этом главный риск состоит в том, что подгонка обычной линейной модели к нулям и единицам допускает прогнозы вне диапазона и неверную структуру дисперсии exp(beta) в логистической модели — множитель отношения шансов при увеличении предиктора на единицу при фиксированных остальных переменных; следовательно, предупреждения можно не учитывать, если итог выглядит ожидаемо exp(beta) в логистической модели — множитель отношения шансов при увеличении предиктора на единицу при фиксированных остальных переменных; при этом главный риск состоит в том, что отношение шансов нельзя безусловно называть отношением вероятностей, особенно когда событие частое Логистическая регрессия моделирует логарифм отношения шансов бинарного события и возвращает вероятности после обратного преобразования; при этом главный риск состоит в том, что отношение шансов нельзя безусловно называть отношением вероятностей, особенно когда событие частое link-функция связывает условное среднее отклика с линейным предиктором и выбирается вместе с семейством распределения; при этом главный риск состоит в том, что интерпретация коэффициента на шкале отклика без обратного преобразования делает эффект количественно неверным

Вопрос 21 из 30

Ситуация: Модель редкого дефекта имеет 99% точности, но не находит ни одного дефектного объекта. Какой принцип непосредственно относится к этому коду?

fit <- glm(vs ~ mpg + wt, data=mtcars, family=binomial)
p <- predict(fit,type='response')
result <- table(actual=mtcars$vs, predicted=p>.5)
result

Логистическая регрессия моделирует логарифм отношения шансов бинарного события и возвращает вероятности после обратного преобразования Воспроизводимый GLM фиксирует данные, формулу, кодирование факторов, версии пакетов, порог решения и способ оценки link-функция связывает условное среднее отклика с линейным предиктором и выбирается вместе с семейством распределения Качество GLM требует проверки формы связи, разделения классов, переобучения, калибровки и соответствия распределения данным deviance сравнивает правдоподобие модели с насыщенной моделью и полезна для сопоставления вложенных спецификаций при корректных предпосылках

Вопрос 22 из 30

Ситуация: Модель редкого дефекта имеет 99% точности, но не находит ни одного дефектного объекта. Какой риск здесь остаётся главным, даже если результат выглядит правдоподобно?

fit <- glm(vs ~ mpg + wt, data=mtcars, family=binomial)
p <- predict(fit,type='response')
result <- table(actual=mtcars$vs, predicted=p>.5)
result

Высокая точность при редком событии может быть достигнута моделью, всегда выбирающей отрицательный класс Изменение базового уровня фактора меняет вид коэффициентов и может создать ложное впечатление, что модель стала другой Меньшая deviance сама по себе не оправдывает любую сложность и не заменяет проверку на новых данных Подгонка обычной линейной модели к нулям и единицам допускает прогнозы вне диапазона и неверную структуру дисперсии Интерпретация коэффициента на шкале отклика без обратного преобразования делает эффект количественно неверным

Вопрос 23 из 30

Ситуация: Модель редкого дефекта имеет 99% точности, но не находит ни одного дефектного объекта. Какая правка делает решение устойчивым, а не просто удобным на текущем примере?

Явно различайте шкалу link и response, а эффект показывайте через предсказанные значения или подходящее преобразование Оценивайте калибровку, ROC/PR, ошибки по порогу и стабильность коэффициентов, а не одну accuracy Сопоставляйте вложенные модели тестом отношения правдоподобий и учитывайте сложность, диагностику и валидацию Сохраняйте recipe/model matrix, уровни факторов и полный объект модели вместе с отчётом Используйте glm(..., family = binomial) и задайте смысл положительного класса до интерпретации

Вопрос 24 из 30

Ситуация: Модель редкого дефекта имеет 99% точности, но не находит ни одного дефектного объекта. Что нужно проверить после правки?

Повторите predict на контрольном наборе в чистом окружении и сравните матрицу дизайна Проверьте уровни отклика, диапазон прогнозов, калибровку и качество на независимых данных Сравните predict(..., type='link') и type='response' на нескольких значениях предиктора Сравните baseline, confusion matrix, calibration curve и метрики на независимой выборке Проверьте разность deviance, степени свободы, AIC и ошибку на holdout

Вопрос 25 из 30

Ситуация: Модель редкого дефекта имеет 99% точности, но не находит ни одного дефектного объекта. Какой итог разбора не смешивает правило языка с впечатлением от результата?

fit <- glm(vs ~ mpg + wt, data=mtcars, family=binomial)
p <- predict(fit,type='response')
result <- table(actual=mtcars$vs, predicted=p>.5)
result

Качество GLM требует проверки формы связи, разделения классов, переобучения, калибровки и соответствия распределения данным; при этом главный риск состоит в том, что высокая точность при редком событии может быть достигнута моделью, всегда выбирающей отрицательный класс Качество GLM требует проверки формы связи, разделения классов, переобучения, калибровки и соответствия распределения данным; поэтому внешний вид напечатанного объекта важнее происхождения и структуры данных Логистическая регрессия моделирует логарифм отношения шансов бинарного события и возвращает вероятности после обратного преобразования; при этом главный риск состоит в том, что подгонка обычной линейной модели к нулям и единицам допускает прогнозы вне диапазона и неверную структуру дисперсии deviance сравнивает правдоподобие модели с насыщенной моделью и полезна для сопоставления вложенных спецификаций при корректных предпосылках; при этом главный риск состоит в том, что высокая точность при редком событии может быть достигнута моделью, всегда выбирающей отрицательный класс Качество GLM требует проверки формы связи, разделения классов, переобучения, калибровки и соответствия распределения данным; при этом главный риск состоит в том, что меньшая deviance сама по себе не оправдывает любую сложность и не заменяет проверку на новых данных

Вопрос 26 из 30

Ситуация: Через месяц отчёт строится с другим базовым уровнем категории, и названия эффектов меняются местами. Какое правило нужно применить к этому фрагменту прежде всего?

d <- mtcars; d$cyl <- factor(d$cyl)
fit <- glm(am ~ cyl + wt, data=d, family=binomial)
result <- list(levels=levels(d$cyl), coef=coef(fit))
result

Логистическая регрессия моделирует логарифм отношения шансов бинарного события и возвращает вероятности после обратного преобразования Воспроизводимый GLM фиксирует данные, формулу, кодирование факторов, версии пакетов, порог решения и способ оценки deviance сравнивает правдоподобие модели с насыщенной моделью и полезна для сопоставления вложенных спецификаций при корректных предпосылках Качество GLM требует проверки формы связи, разделения классов, переобучения, калибровки и соответствия распределения данным link-функция связывает условное среднее отклика с линейным предиктором и выбирается вместе с семейством распределения

Вопрос 27 из 30

Ситуация: Через месяц отчёт строится с другим базовым уровнем категории, и названия эффектов меняются местами. Что в этой ситуации способно исказить вывод без явной синтаксической ошибки?

d <- mtcars; d$cyl <- factor(d$cyl)
fit <- glm(am ~ cyl + wt, data=d, family=binomial)
result <- list(levels=levels(d$cyl), coef=coef(fit))
result

Меньшая deviance сама по себе не оправдывает любую сложность и не заменяет проверку на новых данных Изменение базового уровня фактора меняет вид коэффициентов и может создать ложное впечатление, что модель стала другой Высокая точность при редком событии может быть достигнута моделью, всегда выбирающей отрицательный класс Интерпретация коэффициента на шкале отклика без обратного преобразования делает эффект количественно неверным Подгонка обычной линейной модели к нулям и единицам допускает прогнозы вне диапазона и неверную структуру дисперсии

Вопрос 28 из 30

Ситуация: Через месяц отчёт строится с другим базовым уровнем категории, и названия эффектов меняются местами. Что следует изменить в коде или процессе?

Используйте glm(..., family = binomial) и задайте смысл положительного класса до интерпретации Сопоставляйте вложенные модели тестом отношения правдоподобий и учитывайте сложность, диагностику и валидацию Сохраняйте recipe/model matrix, уровни факторов и полный объект модели вместе с отчётом Оценивайте калибровку, ROC/PR, ошибки по порогу и стабильность коэффициентов, а не одну accuracy Явно различайте шкалу link и response, а эффект показывайте через предсказанные значения или подходящее преобразование

Вопрос 29 из 30

Ситуация: Через месяц отчёт строится с другим базовым уровнем категории, и названия эффектов меняются местами. Какой тест лучше всего ловит повтор этой ошибки?

Сравните baseline, confusion matrix, calibration curve и метрики на независимой выборке Проверьте разность deviance, степени свободы, AIC и ошибку на holdout Проверьте уровни отклика, диапазон прогнозов, калибровку и качество на независимых данных Повторите predict на контрольном наборе в чистом окружении и сравните матрицу дизайна Сравните predict(..., type='link') и type='response' на нескольких значениях предиктора

Вопрос 30 из 30

Ситуация: Через месяц отчёт строится с другим базовым уровнем категории, и названия эффектов меняются местами. Как сформулировать вывод без лишних обобщений?

d <- mtcars; d$cyl <- factor(d$cyl)
fit <- glm(am ~ cyl + wt, data=d, family=binomial)
result <- list(levels=levels(d$cyl), coef=coef(fit))
result

Воспроизводимый GLM фиксирует данные, формулу, кодирование факторов, версии пакетов, порог решения и способ оценки; при этом главный риск состоит в том, что изменение базового уровня фактора меняет вид коэффициентов и может создать ложное впечатление, что модель стала другой Воспроизводимый GLM фиксирует данные, формулу, кодирование факторов, версии пакетов, порог решения и способ оценки; при этом главный риск состоит в том, что высокая точность при редком событии может быть достигнута моделью, всегда выбирающей отрицательный класс Качество GLM требует проверки формы связи, разделения классов, переобучения, калибровки и соответствия распределения данным; при этом главный риск состоит в том, что изменение базового уровня фактора меняет вид коэффициентов и может создать ложное впечатление, что модель стала другой Воспроизводимый GLM фиксирует данные, формулу, кодирование факторов, версии пакетов, порог решения и способ оценки; поэтому отсутствие сообщения об ошибке уже подтверждает корректность результата link-функция связывает условное среднее отклика с линейным предиктором и выбирается вместе с семейством распределения; при этом главный риск состоит в том, что интерпретация коэффициента на шкале отклика без обратного преобразования делает эффект количественно неверным