5. Modelamiento de Datos

¿Qué es el modelado de datos en CRISP-DM?

• Proceso para comprender los datos brutos.

• Proceso para aplicar técnicas analíticas y construir modelos predictivos o descriptivos.

• Fase para implementar soluciones basadas en datos.

• Proceso de visualizar resultados.

¿Cuál es el objetivo principal del modelado de datos?

• Diseñar gráficos atractivos.

• Encontrar patrones útiles en los datos para predecir o describir comportamientos.

• Almacenar datos en una base de datos.

• Garantizar la limpieza de los datos.

¿Cuál de las siguientes NO es una técnica de modelado supervisado?

• Regresión lineal.

• Clustering (agrupamiento).

• Árboles de decisión.

• Redes neuronales.

¿Qué representa un modelo predictivo?

• Un conjunto de datos sin etiquetas.

• Un algoritmo que predice valores futuros o clasifica datos desconocidos.

• Un método para evaluar la calidad de los datos.

• Un esquema de almacenamiento de datos.

¿Qué es el sobreajuste (overfitting)?

• Cuando el modelo generaliza bien para datos nuevos.

• Cuando el modelo es demasiado simple para los datos.

• Cuando el modelo se ajusta demasiado a los datos de entrenamiento y pierde capacidad de generalización.

• Cuando los datos de entrada contienen errores.

¿Qué técnica puede ayudar a prevenir el sobreajuste?

• Usar todos los datos para entrenar el modelo.

• Implementar validación cruzada.

• Elegir un modelo más complejo.

• Ignorar datos atípicos.

¿Qué es la validación cruzada (cross-validation)?

• Una técnica para dividir los datos en partes y evaluar el modelo varias veces.

• Un método para generar gráficos de validación.

• Un enfoque para eliminar datos duplicados.

• Un proceso de combinar datos de diferentes fuentes.

¿Cuál de las siguientes es una métrica para evaluar modelos de clasificación?

• RMSE (Error cuadrático medio).

• Precisión (Accuracy).

• MAE (Error absoluto medio).

• R² (Coeficiente de determinación).

¿Cuál de las siguientes es una métrica para evaluar modelos de regresión?

• Recall.

• F1-score.

• R² (Coeficiente de determinación).

• AUC-ROC.

¿Qué significa dividir los datos en conjuntos de entrenamiento y prueba?

• Mezclar todos los datos en un solo conjunto.

• Usar un conjunto de datos para entrenar el modelo y otro para evaluarlo.

• Crear copias de los datos para aumentar su volumen.

• Separar datos relevantes e irrelevantes.