Basics

Question 1

What’s Statistical Learning for?

Answer 1

Understanding data, conjunto de técnicas de aproximação de f(X).

Question 2

Supervised Model

Answer 2

For predicting an output

Question 3

Unsupervised Model

Answer 3

Inputs but no outputs

Question 4

Regression Problem

Answer 4

Predicting a quantitative output value

Question 5

Classification problem

Answer 5

Predict a qualitative (non-numeral) value

Question 6

Clustering problem

Answer 6

Grouping individuals according to their observed characteristics

Question 7

n

Answer 7

tamanho dos dados

Question 8

p

Answer 8

número de variáveis

Question 9

X

Answer 9

Input variables

Question 10

Terms for input variables

Answer 10

Predictors, independent variables, features, variables

Question 11

Y

Answer 11

output variables

Question 12

Terms for output variables

Answer 12

Response, independent variable

Question 13

Y =

Answer 13

f(X) + ε

Question 14

o que é f(x)?

Answer 14

função de X_1 … X_p

Question 15

o que é ε?

Answer 15

Erro independente de X

Question 16

Qual a média de ε?

Answer 16

0

Question 17

Defina predição

Answer 17

Profecia, previsão

Question 18

Caracterize a predição

Answer 18

X disponível e T difícil de obter.

Question 19

Predição: Como prever Y?

Answer 19

\hat{Y} = \hat{f}(X)

Question 20

Predição: O que é \hat{f}?

Answer 20

Estimativa de f

Question 21

Predição: O que é \hat{Y}?

Answer 21

A predição de Y

Question 22

Caracterize o formato de \hat{f} na Predição.

Answer 22

Não estamos preocupados com seu formato.

Question 23

Do que depende a acurácia de \hat{Y}?

Answer 23

Dos erros redutível e irredutível.

Question 24

Qual é o erro redutível?

Answer 24

De \hat{f} para f

Question 25

Como melhorar o erro redutível?

Answer 25

Utilizar outra técnica para a estimativa de f

Question 26

Em E(Y - \hat{Y})^2, qual é o erro redutível?

Answer 26

[f(X) - \hat{f}(X)]^2

Question 27

Em E(Y - \hat{Y})^2, qual é o erro irredutível?

Answer 27

Var(ε)

Question 28

Inferência: quanto ao formato de \hat{f}?

Answer 28

Temos que saber seu formato exato.

Question 29

Para que serve training data?

Answer 29

Para treinar/ensinar o método que estima f

Question 30

Métodos Paramétricos

Answer 30

Reduz o problema de estimar f para estimar apenas os parâmetros de f

Question 31

Desvantagem dos métodos paramétricos

Answer 31

O modelo não sabe a forma de f, não vai ter um fit perfeito.

Question 32

Desvantagem de modelos flexíveis

Answer 32

Possibilidade de overfitting

Question 33

Métodos não paramétricos

Answer 33

Não supõe o formato de f. Tenta achar uma estimativa que chegue perto de f.

Question 34

Vantagem ñ-paramétrico

Answer 34

Fits a wider range of possible shapes of f

Question 35

Desvantagem paramétrico

Answer 35

Mitas observações para estimar f

Question 36

Prediction

Answer 36

Accurately predicting the response for future observations.

Question 37

Inference

Answer 37

Better understanding the relation between the response and the predictors.