|
|
|
Варианты |
| 1 |
В регрессионном анализе для проверки того, является ли наблюдаемая взаимосвязь между откликом и факторами случайной или нет, используется |
a |
T-статистика |
| b |
коэффициент эксцесса |
| c |
F-статистика |
| d |
анализ количества степеней свободы |
| 2 |
В регрессионном анализе для проверки значимости коэффициентов регрессии может использоваться |
a |
T-статистика |
| b |
значение коэффициента R^2 |
| c |
F-статистика |
| d |
статистика хи-квадрат |
| 3 |
Суть регрессионного анализа |
a |
исследование зависимости отклика от факторов |
| b |
расчёт средних и стандартных отклонений для всех признаков |
| c |
поиск признаков, различающих группы объектов |
| d |
перекодирование исходных данных |
| 4 |
Для аппроксимации данных полиномом 4-й степени необходимо определить |
a |
3 коэффициента |
| b |
4 коэффициента |
| c |
5 коэффициентов |
| d |
становится известно по результатам анализа |
| 5 |
Строится линейная модель, описывающая зависимость отклика от 4 факторов. Количество коэффициентов в модели равно |
a |
4 |
| b |
определяется из F-статистики |
| c |
4 коэффициента при факторах и 4 свободных члена |
| d |
5 |
| 6 |
Строится линейная модель, описывающая зависимость отклика от 5 факторов. Количество коэффициентов в модели равно |
a |
5 |
| b |
6 |
| c |
7 |
| d |
определяется из T-статистики |
| 7 |
Получена регрессионная модель, характеризующаяся коэффициентом детерминации R^2=1,00. Это позволяет сделать вывод о том, что |
a |
имеет место линейная зависимость: значения отклика растут с увеличением значений фактора |
| b |
факторы нельзя считать независимыми, их корреляция равна 1 |
| c |
имеет место полное совпадение анализируемых данных с моделью |
| d |
выбранная модель совсем не подходит для описания данных |
| 8 |
Получена регрессионная модель, характеризующаяся коэффициентом детерминации R^2=0,02. Это позволяет сделать вывод о том, что |
a |
имеет место линейная зависимость: значения отклика растут с увеличением значений фактора |
| b |
имеет место почти полное совпадение анализируемых данных с моделью |
| c |
никаких выводов о качестве модели сделать нельзя |
| d |
данная модель неприменима для описания связи отклика с факторами, либо связь отсутствует |
| 9 |
Имеется выборка 1, 5, 7, 14, 18, 5, 2, 12. Медиана выборки равна |
a |
8 |
| b |
16 |
| c |
5 |
| d |
6 |
| 10 |
Имеется выборка 1, 5, 7, 14, 18, 3, 5, 11. Мода выборки |
a |
не определена |
| b |
равна 5 |
| c |
равна 6 |
| d |
равна 8 |
| 11 |
Имеется выборка 1, 3, 9, 14, 20, 5, 2, 12. 50-процентный квантиль выборки равен |
a |
4 |
| b |
7 |
| c |
8 |
| d |
16 |
| 12 |
Имеется выборка 1, 7, 5, 12, 22, 3, 2, 12. Справедливо утверждение |
a |
мода больше медианы |
| b |
среднее равно медиане |
| c |
мода меньше среднего |
| d |
пп. а) и с) |
| 13 |
Знания, описывающие понятия и взаимосвязи в предметной области, называются |
a |
фактические |
| b |
базовые |
| c |
обобщенные |
| d |
процедурные |
| 14 |
Знания, описывающие основы принятия решений в предметной области, называются |
a |
базовые |
| b |
интенсиональные |
| c |
эвристические |
| d |
стратегические |
| 15 |
Способы оперирования декларативными знаниями - это |
a |
интенсиональные знания |
| b |
жесткие знания |
| c |
процедурные знания |
| d |
фактические знания |
| 16 |
Однозначные рекомендации характерны для следующего типа знаний |
a |
стратегические |
| b |
интенсиональные |
| c |
эвристики |
| d |
жесткие |
| 17 |
Знания о связях между признаками объектов называются |
a |
интенсиональные |
| b |
экстенсиональные |
| c |
глубинные |
| d |
мягкие |
| 18 |
Знания о последовательности действий пользователя, необходимых для отключения компьютера, следует отнести к |
a |
поверхностным знаниям |
| b |
глубинным знаниям |
| c |
экстенсиональным знаниям |
| d |
процессорным знаниям |
| 19 |
Пол респондента в социологической анкете - это |
a |
классификационный (номинальный) признак |
| b |
порядковый (ординальный) признак |
| c |
экспертная оценка |
| d |
дискретный непрерывный признак |
| 20 |
Оценка на гос.экзамене - это |
a |
классификационный признак |
| b |
порядковый (ординальный) признак |
| c |
количественный непрерывный признак |
| d |
номинальный признак |
| 21 |
В скоринговых данных имеется несколько признаков. К непрерывным количественным признакам следует отнести |
a |
наличие иждивенцев |
| b |
месячный доход |
| c |
семейный статус |
| d |
оцифрованный признак "пол клиента" |
| 22 |
В скоринговых данных имеется несколько признаков. К номинальным признакам следует отнести |
a |
количество машин в семье |
| b |
семейный статус |
| c |
долю дохода, необходимую для покрытия кредита |
| d |
возраст клиента |
| 23 |
Операции меньше / больше применимы к |
a |
номинальным признакам |
| b |
классификационным признакам |
| c |
порядковым признакам |
| d |
сравнительным признакам |
| 24 |
Аналитический процесс исследования больших объемов данных с целью поиска характерных структур и значимых зависимостей называется |
a |
контекстный поиск |
| b |
прикладной технический анализ |
| c |
аналитический учет |
| d |
обнаружение знаний |
| 25 |
Способ автоматизированного наполнения базы знаний ИИС посредством диалога эксперта и специальной программы называется |
a |
экспертная генерация базы знаний |
| b |
адаптация ИИС |
| c |
приобретение знаний |
| d |
этап тестирования ИИС |
| 26 |
К общепринятым в теории ИИС стратегиям получения знаний НЕ относится |
a |
обнаружение знаний |
| b |
извлечение знаний |
| c |
приобретение знаний |
| d |
агрегирование знаний |
| 27 |
Интеллектуальная информационная система состоит из |
a |
базы данных и системы управления базой данных (СУБД) |
| b |
программно-аппаратного комплекса, технических служб (персонала) и документации |
| c |
приборного интерфейса, средств телекоммуникации и программного обеспечения |
| d |
базы знаний, решателя и интеллектуального интерфейса |
| 28 |
Интеллектуальные информационные технологии - это |
a |
технологии оперативного анализа информации |
| b |
технологии интеллектуального информационного поиска |
| c |
технологии информационного обмена |
| d |
технологии решения прикладных задач с помощью средств вычислительной техники и методов искусственного интеллекта |
| 29 |
Коэффициент детерминированности (детерминации) R^2 |
a |
может принимать значения от -1 до +1 |
| b |
может принимать значения от 0 до +1 |
| c |
может принимать любые положительные значения |
| d |
определяется из стандартных статистических таблиц |
| 30 |
Линейный тренд для зависимости y от t описывается формулой |
a |
y= at^2 + bt + c |
| b |
y = ax + b |
| c |
y = b + at |
| d |
y = k exp [-at] |
| 31 |
Получена регрессионная модель, характеризующаяся коэффициентом детерминации R^2=0,77. Это позволяет сделать вывод о том, что |
a |
модель применима для описания зависимости отклика от факторов, связь достаточно сильная |
| b |
модель крайне неудачна |
| c |
факторы сильно коррелированы |
| d |
никаких выводов о качестве модели сделать нельзя |
| 32 |
Результатом работы программы See5 является |
a |
дерево решений, применимое для распознавания классов |
| b |
дерево решений или набор логических правил, применимые для распознавания классов |
| c |
количественная модель |
| d |
граф нейросети |
| 33 |
Результат процедуры усиления решения в программе See5 заключается в том, что |
a |
доля правильно распознанных объектов увеличивается за счет применения комплекса деревьев решений / нескольких наборов логических правил |
| b |
дерево решений упрощается за счет исключения малодостоверных ветвей |
| c |
точность логических правил возрастает за счет исключения незначимых признаков |
| d |
в дереве решений используются нечеткие пороги |
| 34 |
Более корректную оценку качества работы дерева решений можно получить |
a |
оценивая долю ошибок на материале контроля (test data) |
| b |
оценивая долю ошибок на материале обучения (training data) |
| c |
исключив ошибки первого рода |
| d |
оценивая долю ошибок на тех объектах, что входили в материал обучения и затем попали в материал контроля |
| 35 |
Таблицы сопряженности при решении задач классификации служат для |
a |
анализа количества объектов в материале обучения и материале контроля |
| b |
анализа значимости признаков |
| c |
классификации неизвестных объектов |
| d |
анализа количества правильно и ошибочно классифицированных объектов |
| 36 |
Поля строк и столбцов в сводной таблице, построенной на базе OLAP-куба, называются |
a |
проекции |
| b |
меры |
| c |
измерения |
| d |
оси |
| 37 |
При построении OLAP-куба средствами MS Query МОЖНО воспользоваться агрегатной функцией |
a |
MEDIAN |
| b |
MAX |
| c |
AVG |
| d |
GROUP BY |
| 38 |
Поля данных в сводной таблице, построенной на базе OLAP-куба, называются |
a |
признаки |
| b |
факты |
| c |
показатели |
| d |
меры |
| 39 |
В партии из 200 изделий 40 бракованных. С помощью решающего правила выявлено 10 бракованных, все остальные признаны годными. Какова общая точность правила? |
a |
5% |
| b |
25% |
| c |
85% |
| d |
95% |
| 40 |
Строится компьютерная система медицинской диагностики. В базе данных - информация о 100 здоровых и 100 больных. Правило ставит диагноз "здоров" 90 здоровым и 20 больным, а диагноз "болен" - всем оставшимся. Какова специфичность правила (цель теста - выявление пациентов, нуждающихся в лечении)? |
a |
20% |
| b |
55% |
| c |
10% |
| d |
90% |
| 41 |
Скоринговая система должна хорошо выявлять неблагонадёжных клиентов. Известно, что среди 150 предъявленных заявок - две трети было от благонадёжных соискателей. Система рекомендовала выдать кредит 80 клиентам, причем в 20 случаях эта рекомендация неверна, все остальные заявки отклонены. Какова оценка чувствительности реализованных в системе правил? |
a |
47% |
| b |
60% |
| c |
75% |
| d |
80% |
| 42 |
Строится компьютерная система. В БД - информация о 120 здоровых и 80 больных. Правило ставит диагноз "здоров" 80 здоровым и 30 больным, а диагноз "болен" - всем оставшимся. Штраф за ошибку "назвать здорового больным" - 2 балла, штраф за противоположную ошибку - 3 балла. Подсчитайте суммарные потери. |
a |
170 |
| b |
90 |
| c |
150 |
| d |
180 |
| 43 |
Цель теста - выявить недобросовестных заёмщиков. Ситуацию, когда компьютерная система относит неблагонадежного клиента в группу Норма, следует признать |
a |
истинноотрицательным диагнозом |
| b |
истинноположительным диагнозом |
| c |
ложной тревогой |
| d |
пропуском цели |
| 44 |
Цель теста - выявить бракованные изделия. Ситуацию, когда компьютерная система объявляет годное изделие бракованным, следует признать |
a |
истинноотрицательным диагнозом |
| b |
истинноположительным диагнозом |
| c |
ложной тревогой |
| d |
пропуском цели |
| 45 |
Доля случаев, когда правило даёт верный результат, относительно всех случаев его применения, называется |
a |
точностью |
| b |
полнотой |
| c |
чувствительностью |
| d |
специфичностью |
| 46 |
Компьютерный тест выявляет бракованные изделия. Отношение верно диагностированных бракованных изделий к их общему числу характеризует |
a |
точность |
| b |
удельные потери |
| c |
чувствительность |
| d |
специфичность |
| 47 |
При компьютерном скоринге решающее правило R идентифицировало PR потенциальных дефолтов и неправомерно отнесло к рискованным NR заявок. Точность правила R можно определить по формуле |
a |
NR /(PR + NR) |
| b |
NR /PR |
| c |
1– NR /PR |
| d |
1– NR /(PR + NR) |
| 48 |
Компьютерный тест предназначен для выявления бракованных изделий. Всего представлено 100 изделий, из которых пятая часть бракованных. В ходе теста к бракованным отнесено 28 изделий, причем чувствительность теста составила 100%. Специфичность теста равна |
a |
10% |
| b |
28% |
| c |
72% |
| d |
90% |
| 49 |
Компьютерный тест предназначен для выявления бракованных изделий. Всего представлено 100 изделий, из которых 40 бракованных. В ходе теста к нормальным отнесено 66 изделий, причем специфичность теста составила 90%. Чувствительность теста равна |
a |
66% |
| b |
70% |
| c |
40% |
| d |
90% |
| 50 |
Компьютерный тест предназначен для выявления заявок на кредит, которые следует отклонить. Из поданных 100 заявок 10% было от неблагонадёжных клиентов. Штраф за гиподиагностику — 2 балла, за гипердиагностику — 1 балл. По результатам теста выявлены все неблагонадёжные клиенты, помимо этого отказ в кредите получили еще 30 клиентов. Справедлив вывод |
a |
тест полезен: выявляются все недобросовестные клиенты |
| b |
тест полезен: по сравнению с ситуацией отклонения всех заявок риск уменьшился |
| c |
тест бесполезен: суммарные потери равны априорным |
| d |
тест неприемлем: по сравнению с ситуацией выдачи всех кредитов суммарные потери выросли |
| 51 |
Компьютерный тест предназначен для выявления заявок на кредит, которые следует отклонить. Половина из поданных 100 заявок была от неблагонадёжных клиентов. Штраф за гиподиагностику — 3 балла, за гипердиагностику — 1 балл. По результатам теста выявлены все неблагонадёжные клиенты, помимо этого отказ в кредите получили еще 10 клиентов. Справедлив вывод |
a |
тест полезен: выявляются все недобросовестные клиенты |
| b |
тест полезен: суммарные потери ниже априорных при любой базовой стратегии |
| c |
тест бесполезен: суммарные потери равны априорным |
| d |
тест неприемлем: по сравнению с ситуацией НЕВЫДАЧИ всех кредитов удельные потери выросли |
| 52 |
Компьютерный тест предназначен для выявления заявок на кредит, которые следует отклонить. 40 из поданных 100 заявок были от неблагонадёжных клиентов. Штраф за гиподиагностику — 3 балла, за гипердиагностику — 2 балла. По результатам теста пропущено 10 сомнительных заявок, также отклонены 15 заявок от благонадёжных клиентов, по всем остальным заявкам принято правильное решение. Удельные потери составят |
a |
45 баллов |
| b |
0,60 баллов |
| c |
0,65 баллов |
| d |
0,9 баллов |
| 53 |
Было подано 300 заявок на кредит, из них две трети — от неблагонадёжных заёмщиков. При помощи компьютерного теста правильно идентифицировано 120 потенциальных невозвратов, а также ошибочно отклонена пятая часть заявок из тех, которые следовало удовлетворить. Чувствительность теста (цель - выявление неблагонадежных) составляет |
a |
20% |
| b |
47% |
| c |
60% |
| d |
70% |
| 54 |
Было подано 300 заявок на кредит, из них шестая часть — от неблагонадёжных заёмщиков. При помощи компьютерного теста правильно идентифицировано 40 потенциальных невозвратов, а также ошибочно отклонено 20 заявок из тех, которые следовало удовлетворить. Общая точность теста составляет |
a |
90% |
| b |
80% |
| c |
50% |
| d |
40% |
| 55 |
Было подано 400 заявок на кредит, из них 150 — от неблагонадёжных заёмщиков. При помощи компьютерного теста правильно идентифицировано 125 благонадежных заёмщиков, но при этом одобрена пятая часть тех заявок, которые следовало отклонить. Специфичность теста (цель - выявление неблагонадежных) составляет |
a |
20% |
| b |
50% |
| c |
70% |
| d |
80% |
| 56 |
При прогнозировании невозврата банковского кредита гиподиагностикой следует признать решение |
a |
отклонить заявку, в которой не заполнены необходимые поля |
| b |
отказать в кредите благонадёжному клиенту |
| c |
утвердить заявку, одобренную кредитным комитетом |
| d |
выдать кредит ненадёжному заёмщику |
| 57 |
Стандартное отклонение для выборки равно |
a |
кубическому корню из выборочной дисперсии |
| b |
квадрату выборочной дисперсии |
| c |
отношению дисперсии к среднему |
| d |
корню из выборочной дисперсии |
| 58 |
Имеется выборка 1, 5, 7, 14, 18, 2, 5, 12. Верхняя (75%) квартиль выборки равна |
a |
4 |
| b |
3,5 |
| c |
13 |
| d |
14 |
| 59 |
Имеется выборка 1, 6, 22, 15, 24, 2, 5, 12. Нижняя (25%) квартиль выборки равна |
a |
3,5 |
| b |
6 |
| c |
5 |
| d |
8 |
| 60 |
Выборка состоит из 5 одинаковых чисел. Справедливо утверждение |
a |
среднее выборки равно нулю |
| b |
мода выборки равна нулю |
| c |
дисперсия выборки равна нулю |
| d |
медиана выборки равна нулю |
| 61 |
Следующий показатель среди перечисленных более устойчив к присутствию в выборке элементов с аномальными значениями (выбросов) |
a |
медиана |
| b |
стандартное отклонение |
| c |
среднее значение |
| d |
коэффициент асимметрии |