Determinado parâmetro β será estimado recursivamente
com a ajuda de um método de otimização matemática com base
em uma função objetivo g(β). Para essa estimação, a base de
dados de treinamento consistirá de n observações.
Considerando essa situação hipotética, julgue os itens que se
seguem.
O gradiente descendente em lote é um método probabilístico
de otimização no qual, para cada iteração, encontram-se
L × n observações geradas mediante amostragem (com
reposição) da base de dados de treinamento (em que L
representa o número de lotes, com L > 1).
Dados ausentes são muito comuns em aplicações que
envolvem preenchimentos de formulários. Para o seu tratamento
estatístico, encontra-se, na literatura, uma taxonomia para o
mecanismo gerador de dados ausentes que os classifica em tipos
como MAR (missing at random), MCAR (missing completely at
random) e MNAR (missing not at random).
Considerando essas informações, julgue os itens subsequentes,
relativos ao tratamento de dados ausentes.
Para o tratamento estatístico de valores ausentes do tipo
MCAR, é suficiente preencher com zeros as lacunas
existentes em um conjunto de dados.
Dados ausentes são muito comuns em aplicações que
envolvem preenchimentos de formulários. Para o seu tratamento
estatístico, encontra-se, na literatura, uma taxonomia para o
mecanismo gerador de dados ausentes que os classifica em tipos
como MAR (missing at random), MCAR (missing completely at
random) e MNAR (missing not at random).
Considerando essas informações, julgue os itens subsequentes,
relativos ao tratamento de dados ausentes.
Os dados ausentes do tipo MAR são aqueles que dependem
de fatores — ou variáveis — observáveis, como, por
exemplo, o horário de preenchimento de um formulário.
Dados ausentes são muito comuns em aplicações que
envolvem preenchimentos de formulários. Para o seu tratamento
estatístico, encontra-se, na literatura, uma taxonomia para o
mecanismo gerador de dados ausentes que os classifica em tipos
como MAR (missing at random), MCAR (missing completely at
random) e MNAR (missing not at random).
Considerando essas informações, julgue os itens subsequentes,
relativos ao tratamento de dados ausentes.
Geralmente, os dados ausentes do tipo MNAR são
ignoráveis por não haver relação entre o processo gerador de
dados ausentes e os parâmetros que são objeto de estudo
estatístico.
No que se refere a técnicas de regressão, técnicas de agrupamento
e aprendizado profundo, julgue os item seguinte.
O modelo de regressão linear é suscetível à
multicolinearidade, a qual diz respeito ao fato de o erro da
predição permanecer estável, dentro de um intervalo de
confiança aceitável, à medida que os valores de entrada
mudam.