গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
লগ এবং বক্স-কক্স রূপান্তর কুইজ
লগ, বক্স-কক্স এবং ইয়ো-জনসন রূপান্তর, ডোমেন সীমাবদ্ধতা, ফুটো, বিপরীত পূর্বাভাস এবং স্কেল ব্যাখ্যা সহ তুলনা করুন।
প্রশ্ন 1 এর 8
একটি লগারিদম একটি দৃঢ়ভাবে ডান-তির্যক ধনাত্মক চলকের উপর কী প্রভাব ফেলতে পারে?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- একটি লগারিদম একটি দৃঢ়ভাবে ডান-তির্যক ধনাত্মক চলকের উপর কী প্রভাব ফেলতে পারে?
- প্রতিটি বড় মানের সাথে একই ধ্রুবক যোগ করে
- প্রতিটি নমুনার জন্য একটি স্বাভাবিক বিতরণের নিশ্চয়তা দেয়
- ছোটগুলির তুলনায় বড় মানগুলিকে সংকুচিত করে৷
- প্রতিটি স্বাক্ষরিত মানকে এর অর্থ পরিবর্তন না করে একটি ধনাত্মক মানতে রূপান্তর করে
- কোন ইনপুট সীমাবদ্ধতা স্ট্যান্ডার্ড বক্স-কক্স রূপান্তর প্রযোজ্য?
- সমস্ত ইনপুট অবশ্যই শূন্য সহ নেতিবাচক হতে হবে
- ইনপুট কঠোরভাবে ইতিবাচক হতে হবে
- ইনপুটগুলি অবশ্যই একটি স্বাভাবিক বন্টন অনুসরণ করতে হবে
- ইনপুট শূন্য এবং এক এর মধ্যে থাকা আবশ্যক
- কোন রূপান্তর পরিবার একটি নির্বিচারে স্থানান্তর ছাড়া শূন্য এবং ঋণাত্মক মান মিটমাট করতে পারে?
- স্ট্যান্ডার্ড বক্স-কক্স
- সাধারণ প্রাকৃতিক লগারিদম
- প্রতিটি স্বাক্ষরিত মানের বর্গমূল
- ইয়ো-জনসন
- কেন একটি শেখা রূপান্তর শুধুমাত্র প্রতিটি প্রশিক্ষণের ভাঁজে লাগানো উচিত?
- লাগানো পরামিতিগুলিকে প্রভাবিত করা থেকে বৈধতা বা পরীক্ষার ডেটা প্রতিরোধ করতে
- প্রতিটি মূল্যায়ন ভাঁজ অভিন্ন বন্টন গ্যারান্টি
- প্রতিটি মডেল পরিবারকে একই ইনপুট উপস্থাপনা ব্যবহার করতে বাধ্য করা
- মডেল আপডেট ছাড়াই অনুমানে নতুন লাগানো ম্যাপিংয়ের অনুমতি দিতে
- লগ-রূপান্তরিত লক্ষ্যগুলিতে প্রশিক্ষিত একটি মডেলের ভবিষ্যদ্বাণীগুলির কী হওয়া উচিত?
- লগ ভবিষ্যদ্বাণীগুলিকে সরাসরি মূল-ইউনিট পরিমাণ হিসাবে বিবেচনা করুন
- প্রতিটি ইনভার্স প্রয়োগ করার আগে বৃত্তাকার লগের পূর্বাভাস
- মূল ইউনিট পুনরুদ্ধার করতে একটি ন্যায়সঙ্গত বিপরীত ম্যাপিং প্রয়োগ করুন
- অনুমান করুন সূচক সর্বদা মূল-স্কেল শর্তসাপেক্ষ গড় প্রদান করে
- কেন একটি গড় লগ ভবিষ্যদ্বাণী ব্যাখ্যা করা মূল-স্কেল শর্তাধীন গড় সমান করতে ব্যর্থ হতে পারে?
- সূচকীয় ফাংশন ভবিষ্যদ্বাণী ব্যাপ্তির উপর রৈখিক
- অরৈখিক বিপরীত রূপান্তরগুলি গড় সংরক্ষণ করে না
- Every log-scale mean equals the original-scale mean
- Transforming the target removes all variation around its conditional mean
- Which statement about a more Gaussian-looking feature is sound?
- It guarantees unbiased estimates for every estimator
- It proves extreme observations were removed
- It guarantees the same gain for trees and linear models
- It does not guarantee improved held-out prediction
- Which issue is introduced by adding an arbitrary constant before taking logs?
- The transformed scale and interpretation depend on that choice
- The transform becomes the standard Box-Cox family
- All negative values become meaningfully comparable
- It guarantees an unbiased original-scale mean