- Si n correspond au nombre d'observations, lorsque K = n la LOOCV est équivalente à la kfold cross valuation :a) Vraib) Fauxc) Cela dépend
- Le principal avantage de la régression logistique sur la régression linéaire est lorsque Y est binaire est que la régression logistique permet :a) D'éviter le surapprentissageb) D'éviter d'estimer des paramètres biaisésc) D'implémenter des modèles plus flexiblesd) Une autre réponse
- La diYérence principale entre l'apprentissage non supervisé est :a) Il n'y a pas de prédicteurs X dans le cadre de l'apprentissage nonsuperviséb) Il n'y a pas de variables de réponse Y dans le cadre del'apprentissage superviséc) Une autre réponse
- Le bagging consiste à combiner Un arbre de décision avec : a) Un modèle linéaireb) La validation croiséec) Le Bootstrapd) Une autre réponse
- Les techniques dites de « tree pruning » elaguer un arbre cherchent à : a) Réduire le biaisb) Réduire le surapprentissagec) Réduire le sous apprentissaged) Une autre réponse
- Dans le cadre d'un réseau de neurones pour déterminer le nombre de couches cachées il faut utiliser :a) L'algorithme de descente de gradientb) Les équations normalesd) Le maximum de vraisemblanced) Une autre réponse
- L'analyse en composantes principales permet de :a) Réduire la dimensionnalité de la base de donnéesb) Réduire la variance de la base de donnéesc) Réduire le nombre d'observation de la base de donnéesd) Une autre réponse
- La méthode de descente de gradient est très utilisée en pratique car elle garantit de converger vers le minimum global :a. Vrai b. Faux
- Si la qualité de la prédiction est faible à la fois sur la base d'apprentissage et la base de test cette situation correspond à :a) Une situation de surapprentissageb) Une situation de sous apprentissagec) Une autre réponse
- Pour pouvoir utiliser le Bootstrap sur une base de données il faut que le nombre d'observations soit strictement supérieur à 50 :a)Vraib) Fauxc) Cela dépend
- Le principal avantage de la LOOCV (leave one out cross valuation) sur la k-fold cross valuation est d'ordre computationnel :a. Vrai b. Faux
- Les méthodes de régularisation aident à réduire la possibilité d'être en situation de surapprentissage :a) Vraib) Fauxc) Cela dépend
- Une différence entre le bagging et le boosting est : a) Le bagging utilise des arbres séquentiels mais pas le boosting b) Le bagging utilise un sous ensemble des prédicteurs mais pas le boostingc) Le bagging utilise la validation croisée mais pas le boostingd) Une autre réponse
- Dans le cadre d'un problème de machine Learning il est habituel de définir une fonction de cout, en général, on cherche à :a) Minimiser cette fonction de coutb) Maximiser cette fonction de coutc) Arbitrer entre le maximum et le minimum de cette fonction de coutd) Autre réponse
- L'hypothèse d'additivité indique que l'eYet d'un changement de la valeur d'un prédicteur X sur la variable expliquée Y est indépendant de la valeur de ce prédicteur X :a) Vraib) Fauxc) Cela dépend
- Pour trouver les paramètres dans le cadre de la régression logistique, on peut utiliser les équations normales ou la descente de gradient :a. Vrai b. Faux
- La méthode de coude peut être utilisée pour déterminer le nombre de composantes principales et le nombre de clusters :a.Vraib.Fauxc.Cela dépend
- Dans le cadre de l'analyse en composantes principales le théorème d'approximation universelle permet de calculer combien de composantes principales il faut utiliser :a. Vrai b. Faux
- En général, il vaut mieux utiliser un arbre de décision plutôt qu'un modèle linaire : a. Vraib. Faux
- Dans le cadre de la régression, les prédicteurs peuvent être qualitatifs : a. Vraib. Faux