Machine Learning II

Clasificar cada algoritmo según el tipo de problema que puede resolver:

• Decision Tree

• Solo clasificación

• Multiple linear regression

• Clasificación y regresión

• Logistic regression

• Solo regresión

¿Bajo cuál 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

• Establece la primera variable dummy como la categoría de referencia y la omite en el resultado final

¿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 (únicamente) ​ (c)   .

• clasificación
• regresión
• numérica
• machine learning
• supervisión
• no supervisión
• ordinal
• continua
• discreta
• longitudinal (o de series temporales)

Unir cada problema con su tipo:

• Predecir la altura de una persona

• Clasificación o filtrado colaborativo

• Detección de fraude

• Clasificación

• Ordenar una lista de números

• Regresión

• Recomendar películas a un usuario

• Clustering o clasificación no supervisada

• Identificar temas, artículos de noticias

• No es un problema de machine learning

Unir cada métrica con su fórmula:

• Accuracy

• 
• F1 Score

• 
• Specificity

• 
• Precision

• 
• Recall or Sensitivity

• 

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

• logisticRegr = LogisticRegression(max_iter=10000)

• y_pred = logisticRegr.predict(X_test)

• from sklearn.linear_model import LogisticRegression
  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)

• logisticRegr.fit(X_train, y_train)

¿Cuál de las siguientes opciones NO es una ventaja de los modelos KNN?

• No tiene casi presuposiciones sobre los datos

• Es facil de updatear una vez deployado en producción

• Es poco sensible a outliers

• Puede manejar datos multiclase

¿Cuál de los siguientes es un algoritmo no supervisado?

• KNN

• Decision trees

• Logistic Regression

• K-Means

• Random Forest