Un data scientist inspecte une caractéristique et constate que le mode de la distribution est inférieur à la médiane, qui est elle-même inférieure à la moyenne (mode < médiane < moyenne). Quelle transformation est la plus appropriée pour transformer ces données afin qu'un modèle de régression linéaire puisse être appliqué ?
Choisissez une réponse
Appuyez sur une option pour vérifier votre réponse.
Bonne réponse : Transformation logarithmique.
Pourquoi c'est la réponse
La condition mode < médiane < moyenne indique une distribution asymétrique positive (skewed right). Dans ce type de distribution, les valeurs sont concentrées à gauche et la queue s'étend vers la droite. Les modèles de régression linéaire supposent généralement une distribution normale ou symétrique des résidus. Une transformation logarithmique est la plus appropriée pour corriger une asymétrie positive, car elle compresse les grandes valeurs, rapprochant ainsi la distribution d'une forme plus symétrique ou normale. Une transformation exponentielle aggraverait l'asymétrie positive. Une transformation polynomiale est utilisée pour capturer des relations non linéaires, pas pour corriger l'asymétrie de la distribution des caractéristiques. Une transformation sinusoïdale est utilisée pour les données cycliques ou périodiques.
Réussissez votre examen — sans la chasse aux réponses interminable
Obtenez toutes les questions et explications vérifiées pour cet examen en un seul endroit, et économisez des heures de préparation. Plus de 1 000 certifications · Plus de 20 langues · Gratuit pour commencer.
Réussissez votre examen plus rapidement → Pas de carte requise