Random Forest

Front

¿Qué es un Random Forest según la presentación?

Back

Un modelo de aprendizaje automático conjunto que combina múltiples árboles de decisión para obtener un resultado único

Front

¿Cuál es el método de ensemble learning que utiliza Random Forest, según la presentación?

Back

Bagging (Bootstrap Aggregation)

Front

¿Cómo se construyen los árboles individuales en un Random Forest, de acuerdo con la presentación?

Back

Seleccionando aleatoriamente subconjuntos de datos con reemplazo (bootstrap).

Front

¿Cómo se determina la predicción final en un Random Forest para problemas de clasificación, según la presentación?
Opciones: Promediando las predicciones de todos los árboles, Utilizando la predicción del árbol con mayor profundidad, Tomando la predicción del primer árbol construido, Por votación mayoritaria de las clases predichas por cada árbol

Back

Por votación mayoritaria de las clases predichas por cada árbol

Front

¿Qué se menciona en la presentación como una ventaja de Random Forest?

Back

Menor riesgo de sobreajuste en comparación con un solo árbol de decisión

Front

¿Qué se menciona en la presentación como una desventaja de Random Forest?

Back

Mayor consumo de memoria y tiempo de entrenamiento en comparación con un solo árbol de decisión

Front

¿Cómo se puede evaluar la importancia de cada característica en un modelo de Random Forest, según la presentación?

Back

Utilizando la importancia de Gini o la disminución de la impureza al dividir los nodos

Front

Según la presentación, ¿en qué tipo de datos Random Forest tiende a desempeñarse mejor? Datos con pocas características, Datos con relaciones lineales claras, Datos con muchas características (alta dimensionalidad), Series de tiempo con fuertes dependencias temporales

Back

Datos con muchas características (alta dimensionalidad)

Front

¿Cuál es un hiperparámetro principal de Random Forest que se menciona en la presentación?

Back

La cantidad de árboles (n_estimators)