ML Quiz - 2

¿Qué son los datos de entrenamiento?

• Son datos utilizados para validar modelos de aprendizaje automático.
• Son datos que se utilizan para almacenar información de usuarios.
• Son datos que se generan aleatoriamente para pruebas.
• Los datos de entrenamiento son ejemplos utilizados para entrenar modelos de aprendizaje automático.

¿Cuál de los siguientes algoritmos pertenecen al aprendizaje no supervisado?

• Decision Trees
• Random Forest
• Support Vector Machines
• K-means, PCA

¿Cuál de los siguientes algoritmos pertenece a la categoría de aprendizaje supervisado?

• Árboles de decisión
• Redes neuronales
• K-means clustering
• Regresión lineal

La matriz de confusión permite

• Determinar la correlación entre dos variables.
• Visualizar datos en un gráfico de barras.
• Calcular la media de un conjunto de datos.
• Evaluar el rendimiento de un modelo de clasificación.

La variable "target" u "objetivo" en un ejercicio de clasificación debe ser

Una variable dependiente en Machine Learning es...

• La variable que se utiliza para entrenar el modelo.
• La variable que se mantiene constante durante el análisis.
• La variable que se mide para evaluar el rendimiento del modelo.
• La variable que se intenta predecir o explicar en un modelo de Machine Learning.

La variable independiente es...

• La variable que se manipula en un experimento.
• La variable que se mide como resultado de un experimento.
• La variable que se mantiene constante en un experimento.
• La variable que se observa en un experimento.

Si se requiere realizar una predicción de si un solicitante de crédito será moroso en un futuro o no, el tipo de aprendizaje es...

• Supervisado y por regresión

• No supervisado y por clustering

• Supervisado y por clasificación

• Ninguna de las anteriores

Si se requiere obtener una variable continua como resultado, el tipo de aprendizaje es...

• No supervisado y regresión

• Supervisado y regresión

• Supervisado y clasificación

• No supervisado y PCA

El overfitting (sobreajuste) es..

• El sobreajuste es cuando un modelo generaliza bien a nuevos datos.
• El sobreajuste es un problema en el aprendizaje automático donde el modelo se adapta demasiado a los datos de entrenamiento.
• El sobreajuste ocurre cuando un modelo es demasiado simple.
• El sobreajuste es un método para mejorar la precisión del modelo.