Codigo - Redes Neuronales

¿Qué propósito cumple SimpleImputer(strategy="median") en el pipeline anterior?

• Eliminar columnas constantes

• Reemplazar valores faltantes en columnas numéricas con la mediana

• Normalizar variables cualitativas

• Estimar correlación entre columnas

¿Qué hace el parámetro early_stopping=True?

• Reentrena el modelo varias veces

• Aumenta el tamaño del batch

• Normaliza automáticamente los datos

• Detiene el entrenamiento si no hay mejora en validación

¿Por qué es recomendable encapsular todo en un Pipeline?

• Permite visualizar los pesos del modelo

• Mejora la velocidad de entrenamiento

• Evita fuga de datos y facilita la validación cruzada sin preprocesar por separado

• Reduce el tamaño del dataset

¿Cuál es el principal objetivo de usar classification_report?

• Identificar columnas con errores

• Evaluar métricas como precision, recall y f1-score por clase

• Diagnosticar sobreajuste con AUC

• Obtener la matriz de correlación

¿Qué representa el número en la diagonal de la matriz de confusión?

• Predicciones correctas por clase

• Casos perdidos por el modelo

• Falsos positivos acumulados

• Falsos positivos acumulados

¿Cuál es la ventaja principal del RMSE frente al MAE?

• El RMSE puede usarse solo con variables categóricas

• El MAE penaliza más los errores grandes

• El RMSE penaliza más los errores grandes debido al cuadrado

• El RMSE es siempre menor que el MAE

¿Qué interpretación tiene un MAE de 2.4 en un modelo que predice ingresos mensuales en millones de pesos?

• En promedio, el error absoluto es de 2400 pesos

• En promedio, el modelo se equivoca por ±2.4 millones de pesos por predicción

• El modelo tiene 2.4% de precisión

• No se puede interpretar sin el RMSE

¿Qué efecto tiene aumentar el número de capas ocultas y neuronas en la red?

• Mejora siempre la precisión y reduce el overfitting

• Elimina la necesidad de preprocesamiento

• Reduce automáticamente el tamaño del dataset

• Permite modelar funciones más complejas, pero puede aumentar el riesgo de sobreajuste

¿Qué rol cumple el hiperparámetro alpha en MLPClassifier?

• Define el tamaño del batch

• Es el coeficiente de regularización L2 para evitar sobreajuste

• Indica el número de épocas

• Activa el dropout en las capas ocultas

¿Qué sucede si el modelo no mejora durante varias iteraciones consecutivas?

• Se reinicia el entrenamiento

• Cambia automáticamente la arquitectura

• Se eliminan capas ocultas

• El entrenamiento se detiene anticipadamente para evitar sobreentrenamiento