Evaluación de Regresión Lineal

¿Qué indica un coeficiente de correlación de Pearson de 0.85?

• Indica una fuerte correlación positiva entre las variables.

• Indica una correlación moderada entre las variables.

• Indica que no hay relación entre las variables.

• Indica una correlación negativa débil entre las variables.

Si el coeficiente de determinación R2 es 0.75, ¿qué porcentaje de la variabilidad es explicada por el modelo?

• 75%

• 0.75%

• 50%

¿Cómo se interpreta un coeficiente de correlación negativo?

• Un coeficiente de correlación negativo significa que no hay relación entre las variables.

• Un coeficiente de correlación negativo sugiere que ambas variables aumentan juntas.

• Un coeficiente de correlación negativo indica que las variables son independientes.

• Un coeficiente de correlación negativo indica una relación inversa entre dos variables.

Si tienes los datos de un modelo de regresión, ¿cómo dibujarías la recta de regresión?

• Dibuja la recta de regresión utilizando solo los puntos de datos.

• Dibuja la recta de regresión sin considerar la pendiente.

• Utiliza la fórmula de área para calcular la recta de regresión.

• Dibuja la recta de regresión utilizando la ecuación y = B0*x + B1, donde m es la pendiente y b es el intercepto.

¿Qué métrica usarías para evaluar la precisión de un modelo de regresión lineal?

• Error cuadrático medio (MSE)

• Desviación estándar (SD)

• Precisión media absoluta (MAPE)

• Coeficiente de determinación (R²)

¿Qué significa un R2 de 0.0 en un modelo de regresión?

• Un R2 de 0.0 indica un modelo perfecto.

• Un R2 de 0.0 significa que el modelo no explica ninguna variabilidad en los datos.

• Un R2 de 0.0 significa que el modelo es muy complejo.

¿Cómo compararías dos modelos de regresión diferentes?

• Utilizar métricas como MSE, R², validación cruzada y análisis de significancia.

• Utilizar solo la gráfica de dispersión para la comparación

• Elegir el modelo con más parámetros

• Comparar los modelos solo por su complejidad

¿Por qué razones deberíamos crear dos modelos de regresión lineal en un mismo dataset?

• Porque puede que al analizar diferentes modelos de regresión separados por datasets nos brinden los mismos resultados en todas las métricas

• Porque si analizamos modelos de regresión lineal separados por categorías de una columna, podemos tener mejores resultados de R2 y otras métricas.

• No deberíamos tener más de un modelo de regresión por dataset, sin importar los valores de las columnas

Si el coeficiente de correlación es 1, ¿qué relación existe entre las variables?

• Las variables tienen una relación cuadrática perfecta.

• Las variables tienen una relación lineal perfecta y negativa.

• Las variables tienen una relación lineal perfecta y positiva.

• Las variables no tienen relación alguna.

¿Cómo interpretarías el valor de R2 en un modelo de regresión lineal?

• R2 indica la proporción de la varianza explicada por el modelo

• R2 siempre debe ser mayor que 1

• R2 no tiene relación con la calidad del modelo

• R2 se utiliza solo en modelos no lineales