Preguntas sobre Preparación de Datos

¿Cuál es la principal razón por la que es importante la fase de preparación de datos en proyectos de Machine Learning?

• Porque permite recopilar una mayor cantidad de datos.

• Porque mejora el rendimiento de los modelos y reduce el tiempo perdido interpretando resultados inesperados.

• Porque hace posible crear modelos más complejos.

• Porque elimina la necesidad de validar los resultados obtenidos.

¿Qué problemas pueden causar los datos de baja calidad o "sucios" en los modelos de Machine Learning?

• Solo errores de código y problemas de rendimiento.

• Únicamente valores faltantes y datos duplicados.

• Exclusivamente errores de comunicación entre sistemas.

• Inexactitudes en los modelos debido a errores de digitación, valores faltantes, outliers y otros problemas.

¿Qué implica el trabajo de selección de datos después de la limpieza según el documento?

• Únicamente eliminar datos duplicados.

• Solo aumentar la cantidad de registros para mejorar la precisión.

• Quedarse con lo relevante, descartar campos aleatorios y dependientes, seleccionar predictores y solucionar datos faltantes.

• Exclusivamente transformar todas las variables a formato numérico.

De las siguientes estrategias para manejar datos faltantes, ¿cuál es descrita como "la solución más sencilla, pero la menos recomendada"?

• No hacer nada.

• Imputar por la mediana o promedio.

• Eliminar valores.

• Imputar usando algoritmos como KNN.

¿Cuál es la principal diferencia entre Label Encoding y One Hot Encoding según el documento?

• Label Encoding es para variables numéricas y One Hot Encoding para variables de texto.

• Label Encoding requiere que la variable categórica sea ordinal, mientras que One Hot Encoding está orientado a variables categóricas nominales.

• Label Encoding crea más columnas que One Hot Encoding.

• One Hot Encoding solo funciona con variables binarias.

¿Qué problema presenta el Label Encoding que puede ser solucionado mediante One Hot Encoding?

• Label Encoding no puede manejar valores faltantes.

• Label Encoding es demasiado complejo de implementar.

• Los valores numéricos pueden ser malinterpretados por algunos algoritmos, sugiriendo una relación ordinal que no existe.

• Label Encoding genera demasiadas columnas nuevas.