Cierre 12-06-2025

¿Cuál es la principal diferencia entre Bagging y Boosting en términos de entrenamiento de modelos base?

• Bagging entrena modelos secuencialmente, mientras que Boosting los entrena en paralelo

• Bagging entrena modelos en paralelo usando muestras bootstrap independientes, mientras que Boosting entrena modelos secuencialmente donde cada uno intenta corregir los errores del anterior

• Bagging usa todos los datos de entrenamiento para cada modelo, mientras que Boosting usa submuestras aleatorias

• No hay diferencia significativa entre ambos métodos en el proceso de entrenamiento

En Random Forest, ¿qué sucede cuando se establece el parámetro max_features='sqrt' para un dataset con 16 características?

• Se utilizan todas las 16 características en cada división de nodo

• Se utilizan exactamente 4 características seleccionadas aleatoriamente en cada división de nodo

• Se utilizan 8 características (la mitad) en cada división de nodo

• Se utiliza solo 1 característica en cada división de nodo

¿Cuál de las siguientes afirmaciones sobre el Out-of-Bag (OOB) score en Random Forest es CORRECTA?

• El OOB score siempre es mayor que el accuracy en el conjunto de entrenamiento

• El OOB score se calcula usando todas las muestras de entrenamiento para cada árbol

• El OOB score proporciona una estimación no sesgada del error de generalización sin necesidad de un conjunto de validación separado

• El OOB score solo está disponible cuando bootstrap=False

En el contexto de AdaBoost, ¿qué determina el peso de cada clasificador débil en la predicción final?

• El número de muestras utilizadas para entrenar el clasificador

• La profundidad del árbol de decisión utilizado como clasificador base

• El error ponderado del clasificador en los datos de entrenamiento

• El tiempo que tomó entrenar el clasificador

¿Cuál es la ventaja principal del método de Stacking comparado con la votación por mayoría simple?

• Stacking es computacionalmente más eficiente que la votación por mayoría

• Stacking siempre produce mejores resultados que cualquier otro método de ensamblado

• Stacking utiliza un meta-modelo que puede aprender patrones complejos en las predicciones de los modelos base, mientras que la votación por mayoría usa reglas fijas

• Stacking requiere menos modelos base que la votación por mayoría

Cuando se trabaja con datasets desbalanceados en problemas de clasificación, ¿cuál de las siguientes estrategias de ensamblado es más apropiada?

• Usar Random Forest estándar con todos los parámetros por defecto

• Implementar Bagging con muestreo sin reemplazo para asegurar igual representación de clases

• Utilizar BalancedRandomForestClassifier o configurar class_weight='balanced' en Random Forest

• Aplicar únicamente técnicas de boosting sin consideraciones especiales para el desbalance

Esta pregunta verifica el entendimiento del parámetro max_features en Random Forest: max_features='sqrt': Utiliza la raíz cuadrada del número total de características. Con 16 características: √16 = 4 características por división. Esta aleatoriedad en la selección de características es clave para la diversidad en Random Forest.

• Correspondería a max_features=None

• Correspondería a max_features=0.5 o max_features=8

• Correspondería a max_features=1

• Utiliza la raíz cuadrada del número total de características

El OOB score es un concepto importante en Random Forest: OOB (Out-of-Bag): Utiliza las muestras que no fueron seleccionadas en el bootstrap de cada árbol. Proporciona una estimación no sesgada del error sin necesidad de conjunto de validación separado. Es una característica única del bootstrap sampling.

• El OOB score generalmente es menor que el accuracy de entrenamiento

• OOB usa solo las muestras NO utilizadas para entrenar cada árbol

• OOB solo está disponible cuando bootstrap=True

• Proporciona una estimación no sesgada del error

En AdaBoost, el peso de cada clasificador se determina por su rendimiento: Peso del clasificador: Inversamente proporcional a su error ponderado. Clasificadores con menor error reciben mayor peso en la decisión final. Esta es la esencia del algoritmo adaptativo de AdaBoost.

• No están relacionados con el cálculo de pesos en AdaBoost

• El peso del clasificador es directamente proporcional a su error

• Los clasificadores con mayor error reciben menor peso

• El rendimiento no afecta el peso del clasificador

Stacking vs. Votación por mayoría: Stacking: Utiliza un meta-modelo que aprende la mejor forma de combinar predicciones. Votación: Usa reglas fijas (mayoría, promedio) sin aprendizaje. El meta-modelo puede capturar patrones complejos en las predicciones de los modelos base.

• Stacking es más costoso computacionalmente

• No siempre produce mejores resultados

• No hay restricción en el número de modelos base

• Utiliza un meta-modelo que aprende la mejor forma de combinar predicciones