Seu próximo nível começa aqui
Seu desenvolvimento não pode ter limites. Garanta sua Assinatura Ilimitada e libere uma preparação completa com os melhores professores do Brasil.
Um estatístico está construindo um modelo preditivo com um número muito grande de variá...
Um estatístico está construindo um modelo preditivo com um número muito grande de variáveis preditoras (p > n), muitas das quais são provavelmente irrelevantes e correlacionadas entre si. O objetivo é criar um modelo parcimonioso, que realize a seleção de variáveis e a regularização simultaneamente para evitar o superajuste (overfitting). Qual das seguintes técnicas de modelagem é a mais adequada para este propósito específico?
A
Análise de Variância (ANOVA), pois ela permite testar a significância de cada variável individualmente, selecionando apenas aquelas com p-valor abaixo de 0,05 para o modelo final.
B
Análise de Componentes Principais (ACP) seguida de regressão, pois a ACP seleciona as variáveis originais mais importantes, descartando as demais.
C
Seleção "stepwise" (passo a passo), pois este método garante a descoberta do melhor subconjunto de preditores sem o risco de superajuste, sendo computacionalmente eficiente em cenários com mais variáveis que observações (p > n).
D
Regressão LASSO (Least Absolute Shrinkage and Selection Operator), pois sua penalidade L1 (soma dos valores absolutos dos coeficientes) tem a propriedade de encolher os coeficientes de variáveis irrelevantes exatamente para zero, efetivamente removendo-as do modelo e realizando a seleção de variáveis.
E
Regressão Ridge, pois sua penalidade L2 (soma dos quadrados dos coeficientes) é mais eficaz na seleção de variáveis, zerando os coeficientes dos preditores menos importantes.