WorksheetsCuestionario Regresion Lineal, FC, Parametros
Total questions: 30
Worksheet time: 8mins
¿Qué es la regresión lineal?
Un método para clasificar datos en categorías.
Un algoritmo de aprendizaje no supervisado
Un modelo que predice una variable dependiente basándose en una o más variables independientes.
Un algoritmo de agrupamiento de datos.
¿Cuál es el objetivo principal de la regresión lineal?
Encontrar la mejor línea de ajuste para minimizar el error de predicción.
Clasificar datos en categorías predefinidas.
Reducir la dimensionalidad de los datos.
Agrupar datos similares sin etiquetas.
En regresión lineal, ¿qué representa el término "Error Cuadrático Medio" (MSE)?
Una métrica que mide la variabilidad de los datos de entrada.
La diferencia absoluta entre los valores predichos y reales.
La suma de los errores dividida entre la cantidad de datos.
La media del cuadrado de la diferencia entre valores reales y predichos.
¿Qué significa cuando un modelo de regresión tiene un alto error cuadrático medio (MSE)?
Que las predicciones del modelo son muy precisas.
Que hay una gran diferencia entre los valores reales y los predichos.
Que el modelo está sobreajustado a los datos.
Que los datos están perfectamente ajustados.
¿Cuál es el propósito principal de la función de costo en regresión lineal?
Maximizar la variabilidad en los datos.
Clasificar los datos en diferentes grupos.
Reducir la cantidad de datos utilizados en el modelo.
Encontrar la mejor línea de ajuste minimizando la diferencia entre valores predichos y reales.
¿Cuál es la función de costo más utilizada en regresión lineal?
Entropía cruzada
Error absoluto medio (MAE)
Error cuadrático medio (MSE)
Distancia euclidiana
¿Cómo se calcula el Error Cuadrático Medio (MSE)?
Promediando los valores de la variable dependiente yyy
Sumando las diferencias absolutas entre los valores predichos y reales.
Elevando al cuadrado la diferencia entre valores predichos y reales, y luego promediando.
Multiplicando los valores reales con los valores predichos y dividiendo entre el número de datos.
¿Por qué se eleva al cuadrado la diferencia en el cálculo del MSE?
Para penalizar errores grandes más que los pequeños.
Para hacer que la función de costo sea lineal.
Para reducir la cantidad de datos de entrada.
Para convertir el problema en una clasificación.
La función de costo mide qué tan bien el modelo está ajustando los datos.
Verdadero
Falso
Un menor valor de la función de costo indica un peor ajuste del modelo.
Verdadero
Falso
El MSE es siempre un valor negativo porque se calcula con diferencias al cuadrado.
Verdadero
Falso
En la regresión lineal, la función de costo MSE solo mide el error de un punto, no de todos los datos.
Verdadero
Falso
La función de costo en regresión lineal se puede optimizar usando el algoritmo de Gradiente Descendiente.
Verdadero
Falso
¿Cuántos parámetros tiene un modelo de regresión lineal simple?
Uno
Dos
Tres
Depende del número de datos
En la ecuación de regresión lineal simple y=w0+w1x, qué representa el parámetro w1?
La intersección con el eje Y.
La pendiente de la línea de regresión.
El error de predicción del modelo
El coeficiente de determinación.
En la ecuación de regresión lineal simple y=w0+w1x, qué representa el parámetro w0?
La inclinación de la línea de regresión.
El valor de y cuando x=0
El coeficiente de correlación.
La suma de los errores cuadrados
¿Cómo se determinan los parámetros w0 y w1 en regresión lineal?
Se eligen manualmente.
Se ajustan minimizando la función de costo (MSE).
Se obtienen dividiendo cada valor de y entre x
Son valores constantes en cualquier modelo.
¿Qué ocurre si el parámetro w1 (pendiente) es igual a 0 en la regresión lineal simple?
La línea de regresión es horizontal.
La regresión se convierte en un modelo de clasificación.
El modelo ya no necesita datos de entrada.
La función de costo se vuelve negativa.
Si w0=0, la línea de regresión pasa por el origen del gráfico.
Verdadero
Falso
En regresión lineal simple, los parámetros siempre son números enteros.
Verdadero
Falso
¿Qué es un parámetro en Machine Learning?
Un conjunto de reglas fijas utilizadas por el modelo.
Un valor aprendido por el modelo a partir de los datos.
Una métrica para evaluar el rendimiento del modelo.
Un tipo de función matemática usada en modelos supervisados.
¿Cuál de los siguientes es un ejemplo de parámetros en un modelo de Machine Learning?
El número de iteraciones en el entrenamiento.
La tasa de aprendizaje.
La métrica de evaluación.
Los dos parámetros w0 y w1 de una regresión lineal simple
¿Qué es la función de costo en Machine Learning?
Un parámetro que ajusta la precisión del modelo.
Una métrica que mide qué tan bien está funcionando el modelo.
Un algoritmo que optimiza el modelo.
Un conjunto de datos de prueba para validar el modelo.
¿Cuál de las siguientes afirmaciones sobre la función de costo es correcta?
Un menor valor de la función de costo indica un mejor modelo.
La función de costo es constante y no cambia con el entrenamiento.
Siempre se mide en valores enteros.
Solo se usa en modelos de aprendizaje supervisado.
¿Qué es el error en Machine Learning?
La diferencia entre los valores reales y los predichos por el modelo.
Un conjunto de datos no utilizados en el entrenamiento.
Una métrica de optimización en redes neuronales profundas.
Un hiperparámetro que ajusta la tasa de aprendizaje.
La reducción del error en un modelo de Machine Learning siempre indica que el modelo generaliza mejor.
Verdadero
Falso
¿Qué representa un espacio latente en aprendizaje no supervisado?
Una representación de los datos en una dimensión mayor.
Una representación más compacta y de menor dimensión que captura patrones en los datos.
Un conjunto de etiquetas para clasificar los datos.
Una medida de la eficiencia del modelo.
Ninguna de las anteriores
¿Cuál es la ventaja principal de utilizar espacios latentes?
Aumentar el número de características en los datos.
Hacer que los datos sean más difíciles de interpretar.
Encontrar patrones ocultos y reducir la dimensionalidad de los datos.
Eliminar la necesidad de entrenar modelos de aprendizaje automático.
Ninguna de las anteriores
Un espacio latente siempre tiene una mayor dimensión que los datos originales.
Verdadero
Falso
Los espacios latentes permiten encontrar patrones ocultos en los datos sin necesidad de etiquetas.
Verdadero
Falso
