Preguntas sobre K-Nearest Neighbors

¿Qué significa el parámetro k en el algoritmo KNN?

• Número de características utilizadas en la clasificación.

• Número de vecinos considerados para tomar la decisión.

• Número de capas en la red neuronal interna del modelo.

• Cantidad de datos de entrenamiento utilizados.

• La distancia promedio entre puntos en la clasificación.

¿Cómo influye el valor de k en el modelo KNN?

• Un k muy grande puede hacer que el modelo sobreajuste.

• Un k muy pequeño puede hacer que el modelo generalice mejor.

• Un k pequeño puede hacer que el modelo sea más sensible al ruido.

• k no tiene un impacto en la clasificación.

• k solo afecta la velocidad del algoritmo, no su precisión.

¿Cuál de los siguientes métodos se usa para medir la distancia en KNN?

• Distancia euclidiana

• Regresión polinómica

• Transformada de Fourier

• Media móvil

• Normalización de min-max

¿Qué tipo de aprendizaje representa KNN?

• Aprendizaje supervisado

• Aprendizaje no supervisado

• Aprendizaje reforzado

• Aprendizaje profundo

• Aprendizaje por transferencia

¿Cómo se comporta KNN en grandes volúmenes de datos?

• Es altamente eficiente en datos masivos.

• Se vuelve más lento ya que compara cada punto nuevo con todos los datos de entrenamiento.

• Reduce su complejidad a medida que aumenta el tamaño del dataset.

• Utiliza redes neuronales para acelerar el proceso.

• No se ve afectado por la cantidad de datos.

¿Cuál es una técnica común para mejorar el desempeño de KNN en grandes volúmenes de datos?

• Usar PCA para reducir la dimensionalidad

• Usar aprendizaje profundo

• Usar redes neuronales convolucionales

• Aumentar el tamaño del dataset de entrenamiento

• Agregar más capas ocultas al modelo

¿Cuál de los siguientes códigos implementa KNN en Python con k=5?

• from sklearn.svm import SVC

  model = SVC(kernel='linear')

• from sklearn.linear_model import LogisticRegression

  model = LogisticRegression()

• from sklearn.neighbors import KNeighborsClassifier

  model = KNeighborsClassifier(n_neighbors=5)

• from sklearn.tree import DecisionTreeClassifier

  model = DecisionTreeClassifier()

• from sklearn.ensemble import RandomForestClassifier

  model = RandomForestClassifier()

¿Qué significa el término "margen" en el algoritmo SVM?

• El área entre los puntos de datos y la recta de decisión.

• La distancia entre la recta de decisión y los puntos de soporte.

• El número de errores permitidos en el modelo.

• La cantidad de datos mal clasificados.

• La distancia entre el punto medio de los datos y el hiperplano

¿Cuál es el propósito de los vectores de soporte en SVM?

• Clasificar directamente los datos de entrenamiento.

• Definir el hiperplano óptimo para la separación de clases.

• Representar los centroides de cada clase.

• Eliminar los datos atípicos del dataset.

• Transformar los datos en coordenadas polares.

¿Cuál de los siguientes es un kernel comúnmente usado en SVM?

• Kernel Gaussiano

• Kernel de Newton

• Kernel de Regresión Lineal

• Kernel de Fourier

• Kernel de Sigmoide Inversa