Clase_ML1_RECAP

¿Cuál de las siguientes técnicas es más adecuada para identificar combinaciones inusuales de múltiples características en un conjunto de datos?

• Boxplots

• Desviación estándar

• DBSCAN

• Z-score

¿Cuál es la principal ventaja de utilizar el algoritmo SMOTE para manejar datos desequilibrados?

• Reduce el tamaño del conjunto de datos, mejorando la eficiencia del modelo.

• Genera nuevas instancias sintéticas que pueden mejorar la capacidad del modelo para generalizar.

• Introduce sesgos si los valores imputados no representan adecuadamente la distribución de los datos originales.

• Es más fácil y menos costoso de implementar que otras técnicas de balanceo

¿Qué técnica de transformación es más adecuada para reducir la asimetría (skewness) en datos positivamente sesgados?

• Transformación cuadrada

• Transformación cúbica

• Transformación lineal

• Transformación logarítmica

¿Cuál de las siguientes afirmaciones sobre el algoritmo KNN es correcta?

• KNN es un algoritmo paramétrico que hace suposiciones sobre la distribución de los datos.

• KNN puede ser lento para grandes conjuntos de datos debido a la necesidad de calcular distancias entre todos los puntos de datos.

• KNN es sensible a la escala de los datos, por lo que no es necesario normalizar los datos antes de usarlo.

• KNN siempre calcula la distancia euclidiana al punto más cercano y clasifica así al nuevo punto.

El error de Tipo I se corresponde con....

• Falsos Positivos

• Verdaderos Negativos

• Verdaderos Positivos

• Falsos Negativos

¿Cuál es la principal ventaja de utilizar el algoritmo de árboles aleatorios (Random Forest) en comparación con un solo árbol de decisión?

• Reduce el riesgo de sobreajuste al promediar múltiples árboles de decisión.

• Es más rápido de entrenar y evaluar que un solo árbol de decisión.

• No requiere la normalización de los datos antes de su uso.

• Utiliza técnicas de clustering para agrupar datos similares.

¿Cuál de las siguientes afirmaciones sobre el área bajo la curva (AUC) de una curva ROC es correcta?

• AUC < 0.5 indica un modelo con cierta capacidad de discriminación.

• AUC = 1 indica un modelo sin capacidad de discriminación, equivalente al azar.

• AUC > 0.5 indica un modelo con alta capacidad de discriminación.

• AUC = 0.5 indica un modelo perfecto con capacidad de discriminación perfecta.

¿Qué técnica de ML se utiliza para predecir una variable continua basada en una o más variables independientes?

• Clasificación

• Regresión

• Clustering

• Aprendizaje por refuerzo

¿Cuál de las siguientes métricas es más adecuada para evaluar el rendimiento de un modelo de clasificación cuando las clases están desbalanceadas?

• Accuracy

• Recall

• Precision

• F1-Score

¿Qué técnica de codificación es más adecuada para convertir características categóricas en valores numéricos sin introducir un orden implícito?

• Label Encoding

• Normalización

• One-Hot Encoding

• Scaling