04. CRISP-DM (CRoss-Industry Standard Process for Data Mining)

Según el proceso CRISP-DM, ¿qué fase implica recopilar información de fondo sobre la situación empresarial actual?

• Desarrollar modelos estadísticos sin considerar los objetivos empresariales.

• Seguir un proceso rígido que no puede adaptarse a diferentes sectores.

• Proporcionar una estructura flexible para guiar y organizar proyectos de minería de datos.

• Limitarse únicamente a la exploración de datos sin análisis adicional.

Según el proceso CRISP-DM, ¿qué fase implica recopilar información de fondo sobre la situación empresarial actual?

• Modelado.

• Implementación.

• Comprensión del negocio.

• Evaluación.

¿Qué aspecto clave se debe definir para medir el éxito de un proyecto de minería de datos, según la metodología?

• La cantidad de datos recolectados.

• La complejidad técnica del modelo.

• Los criterios que reflejan los objetivos empresariales.

• La rapidez en que se completa el proceso.

¿Cuál de las siguientes afirmaciones describe mejor la flexibilidad del modelo CRISP-DM?

• Solo puede usarse para detectar fraudes financieros.

• Está diseñado únicamente para proyectos de gran escala sin personalización posible.

• Es una metodología rígida que no permite cambios durante el proceso.

• Puede personalizarse y adaptarse a diferentes objetivos y necesidades específicas de la organización.

¿Qué parte del proceso CRISP-DM requiere definir tareas, estimar tiempos y recursos, y planificar puntos de revisión?

• Comprensión del negocio.

• Modelado.

• Evaluación.

• Plan de proyecto.

¿Cuál es la principal ventaja del modelo CRISP-DM en la gestión de proyectos de minería de datos?

• Es un modelo rígido que sigue una secuencia estricta.

• Permite personalizar y ajustar las fases según las necesidades del proyecto.

• Es un modelo flexible que puede adaptarse a diferentes objetivos y metodologías.

• Solo se aplica a proyectos de detección de fraudes financieros.

Según CRISP-DM, ¿qué aspecto es fundamental revisar durante la fase de comprensión de los datos?

• La implementación final del modelo.

• La calidad y plausibilidad de los datos* incluyendo posibles errores de medición y valores inconsistentes.

• La visualización de resultados.

• La integración de los datos en un entorno de producción.

¿Qué tarea se recomienda realizar antes de proceder a la preparación de los datos en un proyecto CRISP-DM?

• Evaluar el rendimiento del modelo.

• Revisar la recopilación inicial de datos y considerar aspectos como atributos prometedores y datos irrelevantes.

• Desarrollar la estrategia de implantación.

• Ejecutar modelos estadísticos sin análisis previo.

¿Qué es esencial para rastrear las alteraciones de datos en futuros proyectos de minería de datos?

• Crear nuevos atributos de datos

• Redactar un informe de limpieza de datos

• Integrar múltiples conjuntos de datos

• Seleccionar atributos de datos

¿Qué debe examinarse de cerca al limpiar los datos?

• Los tipos de ruido en los datos

• La integración de múltiples conjuntos de datos

• El formato de los datos

• La selección de atributos de datos