Font size
WorksheetsEvaluación 3er Parcial - M2S2
Total questions: 20
Worksheet time: 10mins
¿Cuál es el objetivo principal de la fase de entrenamiento de un modelo de ML?
Poner el modelo en producción para así obtener los mejores resultados.
Ajustar los parámetros internos del modelo para que aprenda patrones de los datos.
Recolectar nuevos datos. para ser procesados.
Evaluar la precisión del modelo en datos nuevos.
En el aprendizaje supervisado, el conjunto de datos de entrenamiento debe incluir:
Solo las características de entrada, procesamiento y salida, junto con las variables.
Solo las predicciones del modelo que permiten evaluar todo.
Tanto las características de entrada como la etiqueta o respuesta correcta.
Ninguna de las anteriores.
¿Cómo se llama el proceso de alimentar repetidamente al modelo con los datos de entrenamiento y ajustar sus parámetros?
Inferencia.
Iteración o época (epoch).
Normalización.
Podado (Pruning).
¿Qué nombre recibe el valor que mide qué tan bien (o mal) se está desempeñando un modelo durante el entrenamiento en comparación con la respuesta correcta?
Precisión (Accuracy).
Métrica de evaluación.
Tasa de aprendizaje.
Función de pérdida (Loss Function).
¿Qué problema ocurre cuando un modelo de ML aprende demasiado bien los datos de entrenamiento, incluyendo el ruido, y rinde mal con datos nuevos?
Subajuste (Underfitting).
Inferencia.
Sobreajuste (Overfitting).
Normalización.
¿Cuál de las siguientes métricas se utiliza para medir la fracción de predicciones correctas del modelo sobre el total de predicciones realizadas?
Sensibilidad (Recall).
Precisión (Accuracy).
F1-Score.
Tasa de Falsos Positivos.
En un problema de clasificación de textos, ¿qué significan las siglas VP en la matriz de confusión?
Verdadero Negativo.
Verdadero Positivo.
Valor Promedio.
Vector Principal.
La métrica Sensibilidad (Recall) mide:
De todas las veces que el modelo dijo "Sí", cuántas eran correctas.
De todos los casos que eran realmente "Sí", cuántos identificó correctamente el modelo.
La fracción de errores cometidos durante el proceso de evaluación.
El número total de predicciones correctas.
¿Qué métrica se usa típicamente para evaluar un modelo de regresión (donde se predice un valor numérico continuo, no una clase)?
Precisión (Accuracy).
F1-Score.
Error Cuadrático Medio (Mean Squared Error - MSE).
Matriz de Confusión.
Si en un clasificador de spam la Precisión (Precision) es alta, esto significa que:
Detectó casi todos los correos spam reales y por eso se genero el resultado correcto.
Se equivocó en la mayoría de sus predicciones.
Cuando el modelo dice que un correo es spam, es muy probable que realmente lo sea.
Clasificó correctamente los correos que no eran spam.
¿Por qué es fundamental separar los datos en conjuntos de entrenamiento y evaluación (o prueba)?
Para tener más datos para el entrenamiento.
Para hacer que el modelo tarde más en entrenar.
Para medir el rendimiento del modelo en datos que nunca ha visto.
Para evitar el subajuste.
¿Cuál es el riesgo de evaluar un modelo con los mismos datos que se usaron para entrenarlo?
La evaluación será demasiado estricta.
El modelo tardará demasiado en evaluarse.
Se obtendrá una métrica de rendimiento engañosamente alta que no refleja su desempeño real.
Solo funciona para modelos de regresión y no se debe utilizar en otro tipo de modelo.
El conjunto de datos utilizado para medir el rendimiento final de un modelo, una vez que el entrenamiento ha concluido, se llama:
Conjunto de Validación.
Conjunto de Entrenamiento.
Conjunto de Prueba (Test Set).
Conjunto de Producción.
En la validación cruzada (Cross-Validation), los datos se dividen en subconjuntos llamados:
Pliegues (Folds).
Epochs.
Clusters.
Vectores.
Un modelo de ML es considerado exitoso cuando:
Tiene un rendimiento perfecto en el conjunto de entrenamiento.
Su rendimiento en el conjunto de prueba es aceptable para la tarea.
No requiere datos de entrada.
Es capaz de auto-corregirse sin supervisión.
En el contexto de "Soluciona problemas con lenguaje natural", ¿qué es un ejemplo de una característica de entrada que se podría usar para entrenar un modelo clasificador de sentimientos?
El nombre del autor.
La etiqueta "Positivo" o "Negativo".
Las palabras y frases del texto.
El número de veces que se evaluó el modelo.
¿Qué paso viene inmediatamente después de entrenar y evaluar un modelo de ML en un entorno controlado?
Recolectar más datos.
Cambiar los hiperparámetros.
Implementar el modelo para hacer predicciones en datos del mundo real.
Recalcular la función de pérdida. para evitar nuevas perdidas en el funcionamiento repetido del modelo.
En un sistema de traducción automática, si el modelo traduce una frase incorrectamente, este error contribuye directamente a aumentar el valor de la:
Tasa de aprendizaje.
Precisión (Accuracy) del 100%.
Función de pérdida (Loss Function).
Matriz de confusión.
La Matriz de Confusión es una herramienta de evaluación que se usa para:
Mostrar la relación entre dos variables numéricas.
Visualizar el rendimiento de un algoritmo de clasificación al mostrar las predicciones correctas e incorrectas.
Optimizar el tiempo de entrenamiento del modelo.
Calcular el Error Cuadrático Medio del total de los errores generados.
¿Cómo se llama tu Maestro favorito?
Berthín López Muñoz
Arturo Armando Aguilar Juárez
Omar Luna Cabrea
Miguel Ángel López Álvarez
