Preguntas sobre Clasificación

¿Qué es la clasificación binaria?

• Un método para clasificar datos en más de dos clases

• Un método para clasificar datos en dos categorías (positivo y negativo)

• Un método de agrupamiento sin etiquetas

• Una técnica de reducción de dimensionalidad

En el contexto de la clasificación one vs all, ¿qué significa “one vs all”?

• Cada clase se compara contra cada otra clase individualmente

• Se crea un clasificador para cada clase, diferenciándola del conjunto de todas las demás

• Se combinan todas las clases en un único clasificador

• Se eliminan las clases minoritarias

¿Cuál es la definición de “accuracy” en clasificación?

• La tasa de verdaderos negativos

• La proporción de predicciones correctas sobre el total

• La media geométrica de precisión y recall

• La proporción de falsos positivos sobre el total

¿Qué representa el “True Positive” (TP) en una matriz de confusión?

• Casos negativos correctamente clasificados

• Casos positivos que se han clasificado erróneamente

• Casos positivos correctamente identificados

• Casos negativos mal clasificados

¿Qué métrica mide la proporción de negativos correctamente identificados?

• Sensibilidad

• Especificidad

• Accuracy

• F1 score

La precisión (precision) se define como:

• TP / (TP + FN)

• TP / (TP + FP)

• TN / (TN + FP)

• (TP + TN) / (Total de muestras)

¿Cuál es la fórmula del recall (sensibilidad)?

• TP / (TP + FP)

• TP / (TP + FN)

• TN / (TN + FP)

• (TP + TN) / (Total)

El F1 score es la media armónica de:

• Precision y accuracy

• Recall y especificidad

• Precision y recall

• Accuracy y especificidad

En una matriz de confusión, ¿qué representa “False Negative” (FN)?

• Casos positivos mal clasificados como negativos

• Casos negativos mal clasificados como positivos

• Casos positivos correctamente clasificados

• Casos negativos correctamente clasificados

¿Qué significa un valor alto de accuracy?

• El modelo tiene pocos falsos negativos

• El modelo clasifica correctamente la mayoría de las instancias

• El modelo tiene alta precisión, pero bajo recall

• El modelo es perfecto en todas las métricas