Regressão Linear - Lista 1

Prévia do material em texto

Aprendizado de Máquina - Regressão Linear
Lista de Exercícios Para Estudo - Fundamentos
Essa lista de exercícios foi feita por aluno com o objetivo de revisar o entendimento dos principais
tópicos baseado nos materiais do professor da disciplina de Aprendizado de Máquina.
Exercícios
1. O que é regressão linear e como ela é aplicada na modelagem de dados?
2. Como a regressão linear simples difere da regressão linear múltipla?
3. Por que a linearidade entre as variáveis é importante para a regressão linear?
4. Quais são as principais suposições feitas para aplicar a regressão linear?
5. Em que situações a regressão linear pode não ser adequada?
6. Como interpretar os coeficientes em um modelo de regressão linear?
7. Qual é o papel do termo de erro nos modelos de regressão linear?
8. Como a multicolinearidade afeta a precisão dos coeficientes?
9. Por que é importante verificar a normalidade dos resíduos em regressão linear?
10. Como a heterocedasticidade pode prejudicar a validade do modelo?
Gabarito
1. A regressão linear é um método estatístico usado para modelar a relação entre uma
variável dependente e uma ou mais variáveis independentes, sendo amplamente
utilizada em previsões e análises de tendências.
2. A regressão linear simples envolve apenas uma variável independente para prever
o resultado, enquanto a múltipla utiliza várias variáveis, aumentando a complexidade
e a precisão do modelo.
3. A linearidade entre variáveis é essencial para garantir que a relação entre as
variáveis independentes e a dependente possa ser representada por uma linha reta ou
um plano, facilitando a interpretação dos resultados.
4. As principais suposições incluem linearidade, independência dos resíduos,
homocedasticidade (variância constante dos resíduos), e normalidade dos erros,
garantindo a validade do modelo.
5. A regressão linear pode ser inadequada em cenários onde a relação entre as
variáveis é não linear ou onde existem dados atípicos que distorcem o ajuste da linha.
6. Os coeficientes indicam o impacto de cada variável independente sobre a variável
dependente. Um coeficiente positivo significa que um aumento na variável
independente tende a aumentar a dependente.
7. O termo de erro representa a parte da variação na variável dependente que não
pode ser explicada pelas variáveis independentes, sendo essencial para avaliar a
precisão do modelo.
8. A multicolinearidade ocorre quando variáveis independentes estão fortemente
correlacionadas, dificultando a determinação dos efeitos individuais de cada variável
no modelo.
9. Verificar a normalidade dos resíduos é importante para garantir que as estimativas
dos coeficientes sejam não viesadas e precisas, aumentando a confiança nas
previsões.
10. A heterocedasticidade, ou variância não constante dos resíduos, pode levar a erros
nas previsões e na inferência estatística, exigindo ajustes no modelo para melhorar
sua validade.