INICIO_22-05_2025

¿Cuál es la principal característica que distingue a los algoritmos de clasificación en el aprendizaje supervisado?

• Se utilizan cuando el resultado es una variable continua

• Se utilizan cuando el resultado es una etiqueta discreta basada en un conjunto finito de resultados

• Solo pueden trabajar con dos clases máximo

• Requieren siempre el uso de la función sigmoide

En la regresión logística, ¿qué valores retorna la función sigmoide cuando el dominio tiende a infinito positivo y negativo respectivamente?

• 0 y 1

• 1 y 0

• ∞ y -∞

• 0.5 y 0.5

En una matriz de confusión para detección de COVID-19, si una persona tiene la enfermedad pero el modelo la clasifica como negativa, esto se denomina:

• Verdadero Positivo (VP)

• Verdadero Negativo (VN)

• Falso Positivo (FP) - Error Tipo I

• Falso Negativo (FN) - Error Tipo II

La métrica PRECISION se calcula como:

• VP / (VP + FN)

• VP / (VP + FP)

• (VP + VN) / (VP + VN + FP + FN)

• VN / (VN + FP)

El F1 Score es especialmente útil cuando:

• Todas las clases están perfectamente balanceadas

• Solo importa la exactitud del modelo

• La distribución de las clases es desigual

• Tenemos más de 10 clases diferentes

Si un modelo de clasificación tiene 'Alta precisión y bajo recall', esto significa que:

• El modelo maneja perfectamente esa clase

• El modelo no detecta la clase muy bien, pero cuando lo hace es altamente confiable

• El modelo detecta bien la clase, pero también incluye muestras de la otra clase

• El modelo no logra clasificar la clase correctamente