Přejít k hlavnímu obsahu
🔒 Režim náhledu. Prvních patnáct lekcí Foundations je zdarma; tato je Pro. Spusťte 7denní trial pro odemčení editoru, AI nápověd a zbytku kurzu. Karta vyžadována, zrušte kdykoli v Dashboard.
Spustit 7denní trial →
⚡
← Kurzy
›
Data Science Applied
›
Modul 4 · Kauzální vyvozování & A/B testování
›
Opravte netěsnost: vodní kámen-před rozdělením
quiz
59 / 104
🇨🇿
CS
▼
↗
Sdílet
⋯
Více
+125 XP
📋
Úkol
📖
Teorie
🤖
Pomoc AI
Úkol
🌐 shown in EN
📝 **Otázka:** Která z nich správně zabrání úniku? 📋 Vyberte správnou odpověď. 💡 **Tip:** Pokud si nejste jisti, přečtěte si znovu teorii výše.
🎯 Kvíz
Otázka
📝 **Otázka:** Která z nich správně zabrání úniku? 📋 Vyberte správnou odpověď. 💡 **Tip:** Pokud si nejste jisti, přečtěte si znovu teorii výše.
A
`scaler.fit_transform(X)` first to learn the full-distribution statistics, THEN split — saves one pass and helps the scaler converge
B
Split first, wrap scaler + classifier in `Pipeline`, call `pipe.fit(X_train, y_train)` — the scaler fits on train and reuses stats on test
C
Skip scaling entirely; `LogisticRegression(solver='lbfgs')` is invariant to the input scale and trains fine on raw columns
D
Call `StandardScaler.fit_transform` per row inside a `df.apply(...)` so each example normalizes against its own observed values
Odpovědět
💬 Diskuze
Buď první — polož otázku nebo se podělej o tip.
Přihlas se
abys se zapojil do diskuze. Čtení je zdarma.
Načítání diskuze…