Validación de Modelos en Aprendizaje Automático

¿Qué es la validación de modelos en el aprendizaje automático?

• Un proceso para entrenar modelos con datos etiquetados.

• Una técnica para evaluar el rendimiento de un modelo.

• Un método para seleccionar características.

• Ninguna de las anteriores.

¿Qué objetivo tiene la validación cruzada K-Fold?

• Dividir los datos en dos conjuntos, uno de entrenamiento y otro de prueba.

• Evaluar un modelo utilizando múltiples divisiones de datos.

• Seleccionar las mejores características para el modelo.

• Entrenar el modelo en un solo conjunto de datos.

¿Cuál es la ventaja de la validación cruzada sobre una única división de entrenamiento/prueba?

• La validación cruzada es más rápida.

• La validación cruzada proporciona una estimación más robusta del rendimiento del modelo.

• La validación cruzada no requiere dividir los datos.

• La validación cruzada evita el sobreajuste del modelo.

¿Qué es un pliegue en la validación cruzada K-Fold?

• Una característica del modelo.

• Una división de los datos en conjuntos de entrenamiento y prueba.

• Una métrica de rendimiento del modelo.

• Una técnica de selección de características.

¿Cuál es el propósito de la métrica de precisión en la evaluación del rendimiento de un modelo de clasificación?

• Medir la proporción de verdaderos positivos.

• Medir la proporción de verdaderos negativos.

• Medir la proporción de predicciones correctas en general.

• Medir la proporción de falsos positivos.

¿Qué métrica se utiliza comúnmente para evaluar modelos de regresión?

• Precisión.

• Exactitud.

• Error cuadrático medio (MSE).

• F1-score.

¿Qué significa el sobreajuste en el contexto de la validación de modelos?

• El modelo se ajusta correctamente a los datos de entrenamiento.

• El modelo generaliza bien a datos no vistos.

• El modelo tiene un rendimiento deficiente en datos de entrenamiento.

• El modelo tiene un rendimiento deficiente en datos de prueba.

¿Qué métrica se utiliza comúnmente para evaluar modelos de clasificación desequilibrados?

• Precisión.

• Exactitud.

• Sensibilidad (Recall).

• Error absoluto medio (MAE).

¿Qué es la validación dejando uno fuera (Leave-One-Out Cross-Validation, LOOCV)?

• Una técnica de selección de características.

• Una técnica de validación cruzada donde se entrena con un solo dato y se prueba con todos los demás.

• Un método para evitar el sobreajuste del modelo.

• Una técnica de evaluación de modelos que no utiliza datos de prueba.

¿Cuál es el propósito principal de la curva ROC (Receiver Operating Characteristic)?

• Evaluar la precisión de un modelo de regresión.

• Evaluar la clasificación binaria de un modelo.

• Evaluar la regresión logística.

• Evaluar la validación cruzada.