Machine Learning - Final Module Review

Clasificar cada algoritmo según el tipo de problema que puede resolver

• Logistic regression

• Clasificación y regresión

• Multiple linear regression

• Solo regresión

• Decision Tree

• Solo clasificación

¿Bajo cual de las siguientes condiciones no se podría implementar una regresión lineal múltiple?

• Los errores están correlacionados entre sí

• Los errores son independientes entre sí

• Los errores están distribuidos normalmente

• El promedio de los errores es 0

Si setteo el parámetro drop='first' de la función OneHotEncoder de sklearn.preprocessing, ¿Qué es lo que hace?

• Borra todas las variables dummy menos la primera

• Borra la primera variable dummy

• Cambia el orden de las variables dummies

¿Qué módulo de sklearn contiene las métricas de evaluación de los modelos? Escribir la respuesta toda en minúscula y sin espacios. Se considerarán incorrectas las respuestas que no cumplan con esto o que tengan errores de tipeo.

Los problemas de ​ (a)   son aquellos donde la variable target es categórica mientras que los problemas de ​ (b)   son aquellos en los que la variable target es numérica.

• clasificación
• regresión
• machine learning
• inteligencia artificial
• supervisión
• no supervisión

Unir cada problema con su tipo

• Detección de fraude

• Clasificación

• Contar números

• Regresión

• Predecir la altura de una persona

• No es un problema de machine learning

Unir cada métrica con su fórmula

• Accuracy

• 
• Precision

• 
• Recall

• 
• F1 score

• 

La curva ROC representa la proporción de ​ (a)   (en y) vs la de ​ (b)   (en x)

• verdaderos positivos
• falsos positivos
• falsos negativos
• verdaderos negativos

¿Cómo se llama la función del modulo sklearn.model_selection que sirve para splittear entre train y test?

• train_test_split

• train_test

• train_split

• train.test.split

Ordenar el siguiente bloque de código siguiendo la lógica top-down

• logisticRegr.fit(X_train, y_train)

• logisticRegr = LogisticRegression(max_iter=10000)

• y_pred = logisticRegr.predict(X_test)

• from sklearn.model_selection import train_test_split

  X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=99)