IA 2

Los árboles de decisión son modelos NO supervisados de Machine Learning

• Verdadero

• Falso

Un árbol de decisión sirve para predecir variables continuas y no solo discretas.

• Verdadero

• Falso

Un árbol de decisión lo podemos definir como:

• Una serie de valores y definiciones

• Una regresión polinómica

• Conjunto de reglas sucesivas que ayudan a tomar una decisión

• Todas son correctas

La "pureza" de una variable en un árbol de decisión sirve para:

• Eliminar variables del modelo

• Elegir la variable de corte a priorizar

• Saber que variable tiene más elementos

• Todas son incorrectas

¿Cúando debería termina de ejecutar un árbol de decisión?

• Cuando el programador corta la corrida

• Cuando se queda sin variables

• Después de la 4ta iteracción

• Todas son correctas

Un modelo de agrupamiento (Clustering) es un modelo NO supervisado

• Verdadero

• Falso

En los modelos de agrupamiento los clusters se definen:

• Con una formula matemática

• A prueba y error

• Según la cantidad de información disponible

• Ninguna es correcta

Cuando hablamos de "Centroide" hablamos de:

• El minimo punto de un conjunto

• El punto máximo de distancia entre 2 puntos

• El punto medio de distancia entre varios puntos

• Todas son correctas

Un modelo de clustering termina cuando:

• Se terminan los atributos

• No cambia ningún punto de asignación de centroide

• Después de N iteraciones

• Todas son correctas

Se puede medir la calidad tanto de los modelos de regresión como los de clasificación

• Verdadero

• Falso