NEW
Font size
WorksheetsExamen sobre Modelos de Machine Learning
Total questions: 27
Worksheet time: 14mins
¿Cuál de los siguientes modelos es supervisado?
K-Means Clustering
PCA
Regresión Logística
DBSCAN
¿Cuál de los siguientes problemas es típico de un modelo entrenado con datos desbalanceados?
Baja precisión general
Modelos muy lentos
Modelo sesgado hacia la clase mayoritaria
Sobreajuste hacia la clase minoritaria
¿Qué caracteriza a un modelo no supervisado?
Se entrena con datos etiquetados
Se entrena con datos no etiquetados
Se utiliza para hacer predicciones futuras
Requiere grandes cantidades de datos de salida
¿Qué técnica se utiliza para generar ejemplos sintéticos en problemas de datos desbalanceados?
Oversampling
Subsampling
SMOTE
Random Forest
¿Qué modelo es adecuado para la reducción de dimensionalidad en datos no etiquetados?
Regresión Lineal
Árboles de Decisión
PCA
Regresión Logística
¿Cuál de los siguientes es un ejemplo de un algoritmo no supervisado?
Support Vector Machines (SVM)
K-Nearest Neighbors (KNN)
Gradient Boosting
K-Means
¿Qué técnica modifica el umbral de decisión en modelos supervisados para mejorar el rendimiento en la clase minoritaria?
Submuestreo
Ajuste de clase mayoritaria
Cambio de umbral de decisión
Ensamblaje de modelos
¿Qué métrica es más apropiada para evaluar modelos en datasets desbalanceados?
Accuracy
AUC-ROC
Mean Squared Error
R-Squared
¿Cuál es el objetivo principal del modelo de regresión logística?
Predecir valores continuos
Clasificación multiclase
Clasificación binaria
Reducir la dimensionalidad de los datos
¿Qué hace el algoritmo Gradient Boosting en cada nueva iteración?
Reduce el tamaño de los datos
Corrige los errores cometidos por los modelos anteriores
Aumenta la regularización del modelo
Genera nuevos ejemplos sintéticos
¿Qué tipo de problemas se resuelven con algoritmos de clustering?
Clasificación binaria
Agrupación de datos no etiquetados
Predicción de valores numéricos
Optimización de parámetros
¿Qué técnica reduce el tamaño del dataset eliminando ejemplos de la clase mayoritaria?
SMOTE
Oversampling
Submuestreo (undersampling)
Boosting
¿Qué técnica genera más ejemplos de la clase minoritaria replicando los existentes?
SMOTE
Oversampling
Submuestreo
Ensamble de modelos
¿Qué es AUC-ROC?
La tasa de falsos positivos
La curva de precisión del modelo
Una métrica que mide la capacidad de un modelo para separar clases
Un algoritmo de ensamble de árboles
¿Qué parámetro puedes ajustar en un modelo como Random Forest para lidiar con clases desbalanceadas?
max_depth
n_estimators
class_weight
learning_rate
¿Cuál de las siguientes es una técnica para manejar datos desbalanceados que evita duplicar ejemplos?
SMOTE
Submuestreo
Regularización
Cambiar el umbral de decisión
¿Qué tipo de modelos están diseñados para identificar patrones ocultos sin etiquetas?
Supervisados
No supervisados
De regresión
De clasificación
¿Qué métrica combina precisión y recall para ofrecer una evaluación equilibrada en problemas de clasificación?
AUC-ROC
F1-Score
Accuracy
Log Loss
¿Qué algoritmo de clustering se utiliza para agrupar puntos densamente conectados?
K-Means
DBSCAN
Random Forest
SVM
¿Qué tipo de problema aborda la Regresión Lineal?
Clasificación binaria
Clasificación multiclase
Predicción de valores continuos
Reducción de dimensionalidad
¿Qué tipo de algoritmo es LightGBM?
Ensamble de árboles de decisión basado en histogramas
Algoritmo de clustering no supervisado
Red neuronal profunda
Modelo de regresión lineal
¿Qué parámetro en LightGBM controla el número de árboles en el modelo?
learning_rate
max_depth
n_estimators
min_child_samples
¿Cuál es la principal ventaja de LightGBM sobre otros algoritmos de boosting como XGBoost?
Menor capacidad de sobreajuste
Mejor rendimiento con grandes datasets y velocidad superior
Mayor precisión en todos los escenarios
Evita la regularización automáticamente
¿Qué parámetro en LightGBM reduce la tasa de aprendizaje del modelo?
n_estimators
learning_rate
num_leaves
feature_fraction
¿Qué hace el parámetro num_leaves en LightGBM?
Controla la profundidad del árbol
Define el número máximo de nodos terminales en un árbol
Ajusta la tasa de aprendizaje
Limita la cantidad de árboles en el ensamble
¿Qué función tiene el hiperparámetro min_child_samples en LightGBM?
Define el número mínimo de observaciones requeridas para dividir un nodo
Controla la tasa de aprendizaje
Limita el número de árboles
Ajusta la regularización del modelo
¿Cómo se controla el sobreajuste en LightGBM?
Ajustando max_depth y learning_rate
Aumentando el número de árboles
Incrementando num_leaves
Utilizando más características en cada división
