Aprendizaje Automático - Arboles de Decisión

Multiple Choice

Según M. Minsky, ¿qué es aprender?

• Realizar cambios útiles en nuestras mentes
• Modificar la representación del mundo que se está percibiendo
• Cualquier cambio en un sistema que le permita realizar la misma tarea de manera más eficiente la próxima vez
• Aprender de la experiencia para mejorar el rendimiento en una tarea

Multiple Choice

Según H. Simon, ¿qué define el aprendizaje?

• Realizar cambios útiles en nuestras mentes
• Modificar la representación del mundo que se está percibiendo
• Cualquier cambio en un sistema que le permita realizar la misma tarea de manera más eficiente la próxima vez
• Aprender de la experiencia para mejorar el rendimiento en una tarea

Multiple Choice

Según T. M. Mitchell, ¿cómo se puede identificar que se ha aprendido?

• Cuando se realizan cambios útiles en nuestras mentes
• Cuando la representación del mundo percibido se modifica
• Cuando se mejora la realización de una tarea con la experiencia respecto a una medida de rendimiento
• Cuando se realiza la misma tarea de manera más eficiente

Multiple Choice

Según R. Michalski, ¿qué implica el aprendizaje?

• Modificar la representación del mundo que se está percibiendo
• Realizar cambios útiles en nuestras mentes
• Mejorar la realización de una tarea con la experiencia
• Realizar la misma tarea de manera más eficiente

Multiple Choice

¿Qué caracteriza al aprendizaje automático?

• Descubrir modelos matemáticos que explican un fenómeno a partir de datos
• Construir sistemas computacionales que mejoran su rendimiento en tareas sin programación explícita
• Clasificación y diagnóstico
• Resolución de problemas y planificación

Multiple Choice

¿Cuál es un ejemplo de tarea en aprendizaje automático?

• Clasificación y diagnóstico
• Construcción de sistemas computacionales
• Mejorar el rendimiento en tareas explícitamente programadas
• Descubrir modelos matemáticos que explican un fenómeno a partir de gran cantidad de datos

Multiple Choice

¿Qué representa un árbol de decisión?

• Un conjunto de datos organizados jerárquicamente
• Un grafo etiquetado que representa un concepto
• Un modelo matemático basado en probabilidades
• Una estructura lineal para clasificar información

Multiple Choice

¿Qué representan los nodos interiores en un árbol de decisión?

• Los atributos que se evalúan
• Los valores de clasificación
• Los posibles valores del nodo origen
• La función objetivo

Multiple Choice

¿Qué representan las hojas en un árbol de decisión?

• Los atributos evaluados
• Los valores de clasificación
• Los posibles valores del nodo origen
• La representación de la función objetivo

Multiple Choice

¿Qué representan los arcos en un árbol de decisión?

• Los atributos evaluados
• Los valores de clasificación
• Los posibles valores del nodo origen
• La representación de la función objetivo

Multiple Choice

¿Cuál es el objetivo del aprendizaje de árboles de decisión?

• Clasificar ejemplos nuevos sin necesidad de datos previos
• Aprender un árbol de decisión consistente con los ejemplos para clasificar nuevos ejemplos
• Crear un modelo matemático basado en probabilidades
• Representar gráficamente todos los datos disponibles

Multiple Choice

¿Qué establece la navaja de Occam?

• Que la solución más compleja es siempre la correcta
• Que en igualdad de condiciones, la solución más sencilla es probablemente la correcta
• Que todas las soluciones posibles deben ser consideradas por igual
• Que las soluciones más sencillas son siempre incorrectas

Multiple Choice

¿Qué mide la entropía de un conjunto de ejemplos D ?

• La cantidad de ejemplos correctamente clasificados
• La ausencia de homogeneidad en la clasificación
• La cantidad de atributos necesarios para clasificar
• La probabilidad de error en la clasificación

Multiple Choice

Según la Teoría de la Información, ¿qué representa la entropía?

• La cantidad media de información necesaria para codificar la clasificación de un ejemplo
• La probabilidad de clasificar correctamente un ejemplo
• La cantidad de atributos requeridos para clasificar un conjunto
• La homogeneidad de los datos en un conjunto

Multiple Choice

¿Qué atributo se selecciona en cada nodo según el algoritmo ID3?

• El atributo con mayor ganancia de información
• El atributo con menor entropía
• El atributo con mayor cantidad de ejemplos
• El atributo con menor cantidad de valores

Multiple Choice

¿Por qué preferimos nodos con menos entropía en los árboles de decisión?

• Porque generan árboles más pequeños y eficientes
• Porque aumentan la cantidad de información en cada nodo
• Porque reducen la cantidad de atributos necesarios
• Porque garantizan una clasificación perfecta

Multiple Choice

¿Qué significa validar la hipótesis aprendida en aprendizaje automático?

• Comprobar que los datos usados en el aprendizaje son correctos
• Evaluar la capacidad de la hipótesis para generalizar a nuevos datos
• Ajustar la hipótesis para que se adapte perfectamente a los datos de entrenamiento
• Cuantificar la cantidad de datos necesarios para el aprendizaje

Multiple Choice

¿Qué implica el sobreajuste en aprendizaje automático?

• Que la hipótesis aprendida se ajusta demasiado a los datos concretos usados en el aprendizaje
• Que la hipótesis aprendida no generaliza bien a nuevos datos
• Que los datos de entrenamiento son insuficientes
• Que la hipótesis aprendida es demasiado sencilla

Multiple Choice

¿Qué se mide en el conjunto de prueba en aprendizaje automático?

• La proporción de ejemplos bien clasificados
• La cantidad de datos usados en el entrenamiento
• La cantidad de clases representadas correctamente
• La proporción de datos mal clasificados

Explanation Slide...

Validar la hipótesis aprendida implica evaluar su capacidad para generalizar a nuevos datos y no solo ajustarse a los datos de entrenamiento.

Multiple Choice

¿Qué implica la validación cruzada en aprendizaje automático?

• Dividir los datos en \k \ partes y realizar \k \ aprendizajes, usando cada parte como prueba y el resto como entrenamiento
• Usar un conjunto de prueba adicional para ajustar parámetros
• Entrenar el modelo varias veces con los mismos datos
• Dividir los datos en dos partes iguales para entrenamiento y prueba

Multiple Choice

¿Cuál es una causa común del sobreajuste en aprendizaje automático?

• Conjuntos de entrenamiento pequeños
• Modelos excesivamente simples
• Uso de conjuntos de validación independientes
• Atributos irrelevantes con aparente regularidad

Multiple Choice

¿Cómo se puede evitar el sobreajuste en aprendizaje automático?

• Usando modelos excesivamente complejos
• Medir el rendimiento sobre conjuntos de validación independientes
• Ignorar el ruido en los datos
• Reduciendo el tamaño del conjunto de entrenamiento

Multiple Choice

¿Qué es el early stopping en árboles de decisión?

• Parar el desarrollo del árbol antes de que se ajuste perfectamente a todos los datos
• Podar el árbol directamente en los nodos
• Transformar el árbol en reglas y podar las condiciones
• Generar árboles con una profundidad ilimitada

Multiple Choice

¿Cuándo se realiza la poda a posteriori en árboles de decisión?

• Cuando se reduce el error sobre un conjunto de validación
• Cuando el árbol alcanza una profundidad máxima
• Cuando los nodos contienen un porcentaje bajo de los datos
• Cuando la mayoría de los ejemplos en un nodo son de una clase