Evaluación de Modelos en CRISP-DM

¿En qué etapa de CRISP-DM se encuentra la evaluación de los modelos entrenados?

• Comprensión del negocio

• Evaluación del modelo

• Preparación de los datos

• Modelado

¿Cuál es el objetivo principal de la evaluación del modelo?

• Crear un modelo altamente complejo

• Validar que el modelo cumple con los objetivos del negocio

• Desplegar el modelo en producción

• Limpiar los datos para su análisis

¿Qué métrica es comúnmente utilizada para evaluar la calidad de un modelo de clasificación?

• Error cuadrático medio (MSE)

• Precisión (Accuracy)

• Desviación estándar

• Varianza

¿Qué técnica se utiliza para verificar si un modelo generaliza bien?

• Limpieza de datos

• Validación cruzada

• Visualización de datos

• Optimización de hiperparámetros

¿Qué mide el F1-Score en un modelo de clasificación?

• La relación entre precisión y sensibilidad

• El porcentaje de datos faltantes

• La tasa de falsos negativos

• El nivel de sobreajuste del modelo

¿Qué representa la curva ROC?

• La relación entre la sensibilidad y la especificidad

• El número de clases en el modelo

• La varianza de los datos

• El tamaño del conjunto de datos de entrenamiento

¿Qué indica un área bajo la curva (AUC) cercana a 1?

• El modelo tiene bajo rendimiento

• El modelo es completamente aleatorio

• El modelo tiene un alto rendimiento

• El modelo está sobreajustado

¿Qué pregunta clave se responde durante la evaluación del modelo?

• ¿El modelo es comprensible para los stakeholders?

• ¿Cómo limpiar los datos de entrada?

• ¿Qué algoritmo debe seleccionarse?

• ¿Cuántos datos faltantes existen?

¿Cuál de los siguientes NO es un objetivo de la evaluación del modelo?

• Validar el rendimiento técnico

• Ajustar los hiperparámetros del modelo

• Verificar su utilidad en el negocio

• Identificar limitaciones del modelo

¿Qué tipo de métrica se usa para modelos de regresión?

• Recall

• Error absoluto medio (MAE)

• Precisión

• F1-Score