функція, яка повністю описує розподіл ймовірностей випадкової величини

статистичний метод, що застосовують у випадку, коли залежна змінна є бінарною

клас задач класифікації елементів набору даних на дві групи на підставі правила класифікації

не ймовірнісна графова модель (різновид статистичної моделі), яка представляє набір випадкових змінних та їхніх умовних залежностей

Немає правильної відповіді

XGBoost може справлятися з категоріальними змінними

XGBoost може виконуватися паралельно

Ніякої. XGBoost лише одна з реалізацій Градієнтного бустинга

XGBoost є реалізацією AdaBoost

Наївна класифікація Байєса проста та швидка;

Вона буде зближуватися швидше, ніж дискримінаційні моделі, такі, як логістична регресія;

Всі відповіді правильні;

Вони мають високу масштабованість за своєю природою, або вони масштабуються лінійно з кількістю провісників і точок даних;

Вона вимагає менше навчальних даних;

iloc[:, 0]

iloc[:, N]

iloc[:N, 0]

iloc[:N]

Немає правильної відповіді

pandas.nlast()

body()

tail()

head()

end()

Нічого не робити, відсутні значення ніяк не впливають на алгоритм

Використати техніку Imputation

Видалити стовпець, в якому найбільше відсутніх значень

Видалити рядки, в яких відсутні дані

Немає правильних відповідей

Гіперплощина;

Всі відповіді правильні;

Підтримка векторів;

Край;

Площина;

XGBoost будує ансамбль ітеративно, а базові моделі в Random Forest незалежно

Random Forest використовується виключно для задач класифікації

XGBoost обʼєднує передбачення базових моделей, а Random Forest не є ансамблем моделей

Базовою моделлю в XGBoost може бути тільки дерево прийняття рішень, Random Forest підтримує різні базові моделі

XGBoost використовується виключно для задач регресії

Більше опцій для валідації моделі

Менша кількість багів

Немає правильної відповіді

Зручніше будувати алгоритми

Чистіший код

Вона буде зближуватися швидше, ніж дискримінаційні моделі, такі як логістична регресія;

Всі відповіді неправильні;

Вона вимагає менше навчальних даних;

Вони мають високу масштабованість за своєю природою, або вони масштабуються лінійно з кількістю провісників і точок даних;

Наївна класифікація Байєса проста та швидка;