Cuestionario de Aprendizaje Automático

¿Cuál de los siguientes NO es un algoritmo de aprendizaje supervisado?

• Regresión lineal

• Árboles de decisión

• Clustering K-means

• K-Nearest Neighbors

En Machine Learning, ¿qué significa "sobreajuste" (overfitting)?

• El modelo tiene un error muy bajo en el conjunto de prueba.

• El modelo se ajusta muy bien a los datos de entrenamiento, pero falla en datos no vistos.

• El modelo predice con gran precisión en cualquier conjunto de datos.

• El modelo tiene un error alto en los datos de entrenamiento.

¿Qué técnica se utiliza para reducir el sobreajuste?

• Aumentar la complejidad del modelo.

• Utilizar más datos para el entrenamiento.

• Reducir la cantidad de datos de entrenamiento.

• No es posible reducir el sobreajuste.

¿Qué significa el término "hiperparámetro" en Machine Learning?

• Un parámetro que se optimiza automáticamente durante el entrenamiento.

• Un parámetro que se ajusta manualmente y afecta el rendimiento del modelo.

• Un valor constante que no cambia en el modelo.

• El error de predicción promedio del modelo.

¿Cuál de las siguientes técnicas es más adecuada para reducir la dimensionalidad?

• Regresión lineal

• Análisis de componentes principales (PCA)

• Árboles de decisión

• Support Vector Machine (SVM)

¿Qué es un "conjunto de validación" en el aprendizaje automático?

• Los datos utilizados para entrenar el modelo.

• Los datos utilizados para evaluar el rendimiento en datos no vistos.

• Los datos utilizados para afinar los hiperparámetros del modelo.

• Ninguna de las anteriores.

En un modelo de clasificación, ¿qué representa el "recall"?

• La proporción de verdaderos positivos respecto a los negativos.

• La proporción de falsos negativos respecto a los verdaderos positivos.

• La proporción de verdaderos positivos respecto a los positivos reales.

• La proporción de falsos positivos respecto a los positivos reales.

¿Cuál es el objetivo principal de la "normalización" de los datos en Machine Learning?

• Reducir el tamaño de los datos.

• Transformar los datos para que tengan una media de 0 y una varianza de 1.

• Escalar los datos en un rango específico.

• Eliminar la correlación entre las variables.

¿Qué es "Regularización" en Machine Learning?

• Una técnica para mejorar el ajuste de datos de prueba.

• Un método para reducir la complejidad del modelo y evitar el sobreajuste.

• Un proceso de selección de características.

• Una técnica para calcular la precisión del modelo.

¿Cuál de las siguientes afirmaciones es falsa sobre el aprendizaje supervisado?

• Requiere datos etiquetados.

• No necesita una función objetivo.

• Su objetivo es predecir etiquetas de salida para nuevos datos.

• Su rendimiento mejora con más datos etiquetados.