Тест с ответами по теме «Применение логистической регрессии и ROC-анализа в медицинских исследованиях»

Вашему вниманию представляется Тест с ответами по теме «Применение логистической регрессии и ROC-анализа в медицинских исследованиях» в рамках программы НМО: непрерывного медицинского образования для медицинских работников (врачи, медсестры и фармацевты). Тест с ответами по теме «Применение логистической регрессии и ROC-анализа в медицинских исследованиях» в рамках программы НМО: непрерывного медицинского образования для медицинского персонала высшего и среднего звена (врачи, медицинские сестры и фармацевтические работники) позволяет успешнее подготовиться к итоговой аттестации и/или понять данную тему.

Полный доступ на весь период использования по ИОМам, Московскому врачу, Московской медсестре, Категориям (СПб МИАЦ и МЗ РФ), Первичной аккредитации + ПСА или периодичке-Методичке вы можете получить
в нашем приложении: dostup.24forcare.com

Самый выгодный способ набора баллов для периодической аккредитации в соответствии с приказом 709н:
- 72 зет ДПП ПК + 72 зет ИОМов (ИОМы набирает сам медработник) - пункт 103, приказа 709н. Всего нужно 144 зет в сумме за 5 лет. Подробнее в методичке.

1. В качестве предикторов в модель логит-регрессии могут включаться переменные следующих типов

1) только бинарные переменные;
2) количественные и качественные, заранее преобразованные в фиктивные (бинарные) переменные;+
3) качественные в исходной кодировке, количественные;
4) качественные, количественные и даты;
5) переменные любых типов с исходным кодированием.

2. Валидация модели проводится

1) на всех полученных моделях в ходе анализа;
2) с целью проверки ее работоспособности на тестовой выборке;+
3) на обучающей выборке с целью ее обучения;
4) только на проверенных данных.

3. Выберите верное утверждение, касающееся метрик при оценке качества модели

1) точность чувствительна к дисбалансу классов;
2) AUC-ROC не завышает качество модели в условиях нарушения балансировки классов;
3) специфичность характеризует способность модели распознавать только один класс, и это является недостатком;+
4) AUC-PR «учитывает» отрицательные классификации.

4. Для коэффициентов логистической регрессии справедливы следующие высказывания

1) значение коэффициента логит-регрессии определяет его статистическую значимость;
2) отношение шансов для непрерывной и категориальной переменных интерпретируются одинаково;
3) для проверки статистической значимости коэффициентов логит-регрессии используется критерий Стьюдента;
4) они связаны с отношением шансов событий в группах, поэтому для вывода используется отношение шансов;+
5) они никак не интерпретируются.+

5. Для отбора предикторов в модель логит-регрессии необходимо, чтобы

1) все количественные непрерывные предикторы имели нормальное распределение;
2) после проведения юнивариантного ROC-анализа у отобранных предикторов уровень значимости был p<0,1;+
3) после проведения юнивариантного лог-регрессионного анализа у отобранных предикторов уровень значимости был p<0,05;+
4) после проведения юнивариантных лог-регрессионных, либо ROC-анализов уровень значимости должен быть p<0,05.

6. Для отношения шансов в логистической регрессии справедливы следующие высказывания

1) статистическая значимость ОШ проверяется по уровню статистической значимости р;+
2) отношение шансов (OШ) представляет собой отношение шансов события, происходящего в группе с исходом, к его шансам в другой группе (без исхода);+
3) для оценки влияния предиктора на исход используют сравнение отношение шансов с 0;
4) величина ОШ указывает на силу связи между предиктором и исходом.+

7. Для оценки статистической значимости предиктора используют

1) разницу остатков между фактическими и предсказанными по модели для каждого предиктора;
2) логарифм отношения шансов для каждого предиктора;
3) значение р для каждого предиктора в модели;+
4) 95% доверительный интервал ОШ.+

8. Для подсчета отношения шансов в модели логит-регрессии используют формулу

1) ширину интервала 95% ДИ ОШ, деленного пополам;
2) ОШ=p/(1-p), где р – вероятность наступления исхода;+
3) ОШ=EXP(Bi), где Bi – коэффициент предиктора в модели;+
4) P=1/(1+exp(-Z))).

9. Для теста Хосмера-Лемешоу справедливо утверждение

1) для оценки статистической значимости разницы частот используется точный критерий Фишера;
2) если p>0,05, то наблюдаемые и предсказанные частоты событий статистически значимо не различаются, и модель является хорошим классификатором;+
3) если p>0,05, то наблюдаемые и предсказанные частоты событий статистически значимо не различаются, и поэтому модель является плохим классификатором;
4) тест оценивает, соответствует ли наблюдаемая частота событий ожидаемой частоте в обеих классах.+

10. Индекс Юдена

1) объединяет чувствительность (способность теста правильно идентифицировать людей с заболеванием) и специфичность (способность правильно идентифицировать людей без заболевания) в одно значение;+
2) это разница между долей истинно положительных результатов (чувствительностью теста) и долей ложноположительных результатов;+
3) значение индекса Юдена выше 0,5 обычно считается неприемлемым;
4) указывает на идеальную чувствительность классификатора.

11. Качество модели по ROC-анализу признается хорошим, если

1) площадь под кривой ROC-AUC выше 0,7, а 95% ДИ ROC-AUC может быть любым;
2) нижняя граница 95% ДИ ROC-AUC будет выше 0,7;+
3) если AUC−ROC=0.5;
4) если AUC−ROC < 0.5.

12. Классификация объектов означает

1) произвольное распределение объектов на классы до начала исследования;
2) разделение признаков на несколько категорий и объединение похожих;
3) прогнозирование вероятности бинарного исхода;
4) моделирование, при котором объекты или наблюдения распределяются по одной из нескольких заранее определенных категорий на основе входных данных.+

13. Коэффициент Вальда в лог-регрессионной модели

1) может быть выше 0,05, что говорит об отсутствии статистической значимости предиктора, и тогда его нельзя включать в модель;
2) определяет статистическую значимость коэффициентов предикторов регрессии;+
3) определяет статистическую значимость отношения шансов;
4) может быть выше 0,05, что говорит об отсутствии статистической значимости предиктора, тем не менее его можно включить в модель.+

14. Коэффициент корреляции Мэтьюса

1) оценивает силу связи между зависимой и независимыми переменными;
2) изменяется в диапазоне от -1 до 1;+
3) используется для анализа мультиколлинеарности между предикторами;
4) применяется для оценки корреляции между фактическими и предсказанными моделью бинарными классификациями.+

15. Кривая «точность-полнота»

1) это график зависимости между точностью и полнотой классификатора при различных порогах принятия решения;+
2) позволяет получить адекватные результаты только на сбалансированных классах;
3) PR-кривая фокусируется только на том, как модель работает с отрицательным классом;
4) измеряет общую эффективность модели;+
5) PR-кривая фокусируется только на том, как модель работает с положительным классом.+

16. Кривая «точность-полнота» демонстрирует удачный классификатор, если

1) стремится занять положение, при котором точка перегиба близка к точке с координатами (0;1) (верхний левый угол 1-й четверти координатной плоскости);
2) стремится занять положение, при котором точка перегиба близка к точке с координатами (1;1) (верхний правый угол 1-й четверти координатной плоскости);+
3) совпадает с биссектрисой угла 1-й четверти координатной плоскости;
4) располагается немного выше, чем биссектриса угла 1-й четверти координатной плоскости.

17. Критерий Хи-квадрат в лог-линейной регрессионной модели

1) помогает определить, насколько эффективно добавление новых предикторов улучшает модель;+
2) позволяет оценить, улучшает ли добавление определённых предикторов модель предсказательную способность по сравнению с базовой моделью (которая содержит только константу) и насколько значимо это улучшение;+
3) проверяет нулевую гипотезу о том, что уравнение в целом статистически незначимо;
4) используется для проверки статистической значимости влияния предикторов на зависимую переменную.+

18. Логистическая регрессия может быть описана следующими характеристиками

1) моделирует вероятности двух и более категориальных исходов;+
2) используется, когда целью является оценка вероятности только двух исходов событий;
3) определяет, какие из независимых переменных статистически значимо связаны с категориальным результатом;+
4) описывается одним линейным уравнением, которое прогнозирует количественную зависимую переменную.

19. Матрица ошибок содержит информацию

1) об истинном положительном результате классификации;+
2) о параметрах, по которым можно оценивать метрики качества модели;+
3) о прогнозе, полученном в ходе работы модели классификации;+
4) о причинно-следственных связях между зависимым и независимыми предикторами;
5) об истинном отрицательном результате классификации.+

20. Необходимым допущением логистической регрессии является

1) наличие мультиколлинеарности;
2) наличие выбросов;
3) отсутствие выбросов;+
4) независимость признаков в наборе данных;+
5) отсутствие мультиколлинеарности.+

21. Переменные модели бинарной логистической регрессии таковы, что

1) хотя бы одна из независимых переменных должна быть бинарная;
2) независимых предикторов может быть только два;
3) независимые и зависимая переменные должны быть категориальными, у которых должно быть всего по два исхода;
4) зависимая переменная является бинарной категориальной.+

22. Применение логистической регрессии оправдано в случае, если

1) зависимая переменная является категориальной и имеет три и более упорядоченных исхода;+
2) зависимая переменная является категориальной и имеет только два исхода;+
3) зависимая переменная является количественной;
4) зависимая переменная является категориальной и имеет три и более неупорядоченных исхода.+

23. Роль логистической регрессии в машинном обучении сводится к

1) разработке решающего правила для принятия решений с оценкой вероятностей исхода;+
2) установлению порогового значения предикторов;+
3) прогнозированию количественной зависимой переменной;
4) разработке бинарной классификации объектов.+

24. Свойства ROC-кривой

1) ROC-кривая определяет частоту верных отнесений к классу с отрицательным исходом;
2) ROC-кривая сравнивает частоту истинных и ложных положительных результатов при различных пороговых значениях;+
3) кривая, характеризующая качество бинарного классификатора;+
4) кривая зависимости истинно-положительной частоты от ложноположительной.+

25. Сила связи между предиктором и исходом установлена верно в следующих высказываниях

1) нет связи между предиктором и исходом, если ОШ=0;
2) более высокие значения предиктора увеличивают шансы на исход, если ОШ>1;+
3) более высокие значения предиктора увеличивают шансы на исход, если ОШ<1;
4) нет связи между предиктором и исходом, если ОШ=1.+

26. Специфичность по матрице ошибок — это

1) общая доля правильных прогнозов (как положительных, так и отрицательных);
2) доля истинно отрицательных результатов;
3) доля истинно положительных результатов;
4) доля истинных отрицательных значений среди всех отрицательных прогнозов.+

27. Уровни отсечения в бинарной логит-регрессии – это

1) пороговые значения уровня значимости;
2) это пороговые значения расчетной вероятности, определяющей принадлежность к одному из двух классов;+
3) количество потенциальных предикторов;
4) объем выборки, достаточный для того, чтобы построить лог-линейную модель.

28. Целью классификации является

1) предсказание значений зависимой переменной на основе значений независимых переменных (предикторов);
2) предсказание разницы между исходным классом и предсказанным;
3) выявление закономерности в размеченном наборе данных, где для каждого наблюдения уже известна правильная категория;+
4) расчет вероятности появления конечного события.

29. Чтобы определить оптимальное количество пациентов для модели логит-регрессии, необходимо применить правило

1) объем выборки должен быть в 10–20 раз больше, чем количество предикторов в модели;+
2) объем выборки может быть любым, это не влияет на результат;
3) объем выборки должен быть в 5 раз больше, чем количество предикторов в модели;
4) пациентов должно быть не менее 500.

30. Чувствительность по матрице ошибок

1) определяется долей истинно положительных результатов;+
2) определяется суммарной долей истинно правильных прогнозов, как положительных, так и отрицательных;
3) показывает, насколько хорошо предсказаны истинные положительные результаты;+
4) определяется долей истинно отрицательных прогнозов.

Специальности для предварительного и итогового тестирования:

Медицинская кибернетика.

Ответы: Файлы с выделенными ответами по своей специальности вы можете получить в нашем приложении: dostup.24forcare.com

Изменения / Улучшения

Для тех, кто ценит свое время !

← Тест с ответами по теме «Искусственный интеллект в здравоохранении: инструкция по применению»↑ Тесты НМО Тест с ответами по теме «Сердечно-сосудистые симптомы при заболеваниях щитовидной железы. Как не пропустить основное заболевание» →

Улучшения

ИОМам, Московскому врачу, Московской медсестре, Категориям (СПб МИАЦ и МЗ РФ), Первичной аккредитации + ПСА или периодичке-Методичке

dostup.24forcare.com

t.me/nmomed_bot