I osa

(1 punkt) Vaata Stanfordi Statistical Learning kursuse videot hierarhilise klasterdamise kohta

Nimeta vähemalt kaks aspekti, mida jälgida kahe klastri kauguse defineerimisel.

(1 punkt) Vaata Johns Hopkinsi videot logistilise regressiooni kohta

Nimeta üks põhjus, miks lineaarne regressioon ei ole mõistlik valik binaarse y-tunnuse modelleerimiseks?

(2 punkti) Joonista R-is logistiliste kõverate \[y = \frac{e^{\beta_0 + \beta_1 x}}{1 + e^{\beta_0 + \beta_1 x}}\] graafikud:

• Ühel joonisel \(\beta_0 \in \{-2, 0, 2\}\) ja \(\beta_1 = 2\).
• Teisel joonisel \(\beta_0 = 0\) ja \(\beta_1 \in \{-1,-0.5, 0.5, 1\}\).

# sinu kood

Selgita, millist mõju omab \(\beta_0\) ja millist \(\beta_1\) muutmine.

(1 punkt) Loe artiklit http://www.postimees.ee/2721878/hoiatus-meie-vereproovist

Nimeta jutuks olnud teadusartikli põhitulemus.

Soovitame sul katsuda jõudu ka teadusartikli endaga Biomarker Profiling by Nuclear Magnetic Resonance Spectroscopy for the Prediction of All-Cause Mortality: An Observational Study of 17,345 Persons. Järgmises praktikumis kasutame sedasama andmestikku, millel see artikkel põhineb.

II osa

(10 punkti) Lahenda praktikumis alustatud käsitsi kirjutatud numbrite ülesanded.

III osa

(10 punkti) Analüüsi riigikogu hääletusmustreid.

Mida on vaja esitada?

• I osa vastused tuleb kirjutada meili sisusse või esitada tekstifailina.
• II ja III osa kohta tuleb esitada nii andmeanalüüsi raport (html või pdf formaadis) kui ka selle lähtekood .Rmd failina.
• Lisaks võiksid mainida, kui palju aega kulus I, II ja III osa peale. Mida arvad ülesannetest?

Lahendused saata meili peale: taavi.unt@ut.ee