PNL - Tema 4. Modelos clásicos

¿Qué modelo de clasificación se basa en el teorema de Bayes y asume la independencia entre las palabras en un texto?

• Regresión logística

• K-Vecinos Cercanos (KNN)

• Naive Bayes

• Máquina de Soporte Vectorial (SVM)

¿Qué tipo de tareas es ideal para el modelo Naive Bayes?

• Clasificación de textos complejos con relaciones semánticas profundas.

• Clasificación rápida de correos electrónicos como spam o no spam.

• Predicción de series temporales.

• Análisis de imágenes.

¿Cuál es el propósito de la función sigmoide en la regresión logística?

• Transformar una variable categórica en un valor continuo.

• Clasificar texto según la frecuencia de palabras.

• Asegurar que los datos sean lineales.

• Convertir un valor numérico en una probabilidad entre 0 y 1.

¿Qué desventaja tiene la regresión logística en comparación con modelos más avanzados como redes neuronales o transformers?

• No puede ser usada en clasificación binaria.

• No captura relaciones no lineales complejas en los datos.

• No es escalable para grandes conjuntos de datos.

• No tiene capacidad para interpretar probabilidades.

¿Cómo funciona el modelo de Máquina de Soporte Vectorial (SVM) para clasificar textos?

• Encuentra una frontera matemática que separa las categorías de textos.

• Calcula la probabilidad de pertenecer a una categoría mediante una función sigmoide.

• Clasifica los textos según las palabras más frecuentes.

• Asume que las palabras en un texto son independientes entre sí.

¿Qué significa la "frontera óptima" en SVM?

• La mejor representación numérica del texto.

• La línea que maximiza la distancia entre los puntos más cercanos de cada categoría.

• La cantidad de veces que una palabra aparece en un documento.

• La diferencia de probabilidad entre las categorías.

¿Cuál es una desventaja del modelo SVM?

• No puede manejar datos numéricos.

• No es adecuado para tareas de clasificación binaria.

• No captura el contexto o las relaciones entre las palabras.

• Puede ser lento al entrenar con grandes cantidades de texto.

¿Cómo funciona el algoritmo de K-Vecinos Cercanos (KNN)?

• Clasifica un texto según la frecuencia de sus palabras.

• Calcula la distancia entre un nuevo texto y los textos etiquetados para clasificarlo.

• Asigna categorías a los textos según el número de palabras que contienen.

• Calcula las probabilidades de cada palabra en un texto.

¿Qué limitación tiene el algoritmo KNN?

• Requiere un gran tiempo de entrenamiento para aprender patrones.

• No puede manejar datos numéricos.

• Puede ser muy lento en grandes datasets debido a la necesidad de calcular distancias con todos los textos.

• No es capaz de clasificar texto en más de dos categorías.

¿Qué tipo de problemas es más adecuado resolver con el modelo K-Vecinos Cercanos (KNN)?

• Clasificación de textos con grandes volúmenes de datos y relaciones complejas.

• Tareas que requieren la predicción de probabilidades exactas.

• Clasificación rápida y simple donde las relaciones entre las instancias son claras y cercanas.

• Análisis de sentimiento basado en contexto semántico complejo.