¿Cómo funciona un árbol de decisión? Maximiza la ganancia de información y minimiza la entropía Minimiza la ganancia de información y minimiza la entropía Minimiza la ganancia de información y maximiza la entropía Maximiza la ganancia de información y maximiza la entropía . La matriz de confusión nos permite calcular: Precision Recall Accuracy Todas las anteriores . El algoritmo de reducción de costes por complejidad se utiliza en: KNN CART LDA Regresión logística . Si la precisión es 0.6 y el recall 0.4, ¿cuál es el valor de la medida F? 0.3 0.6 0.5 0.4 . Los falsos negativos son: Los valores predichos negativos que son realmente positivos Los valores predichos positivos que son realmente negativos Los valores predichos negativos que son realmente negativos Los valores predichos positivos que son realmente positivos . ¿Qué es el índice Gini? Ambas son correctas Una medida de pureza Un índice de estructura del árbol Ninguna es correcta. ¿Cuál es el enfoque del algoritmo básico para la creación de un árbol de decisiones? Top Down Step by Step Greedy Stepwise. ¿cuál de los siguientes no es un Kernel? Ninguno Sigmoide Gausiano Polinomial . ¿Cuál es la distancia más usada en KNN? Manhattan Todas las anteriores Euclidea Perpendicular . ¿qué significa la k en KNN? Número de vecinos Número de clases en el clasificador Ninguna de las anteriores Número de variables que clasifican. La clasificación es: Aprendizaje supervisado Aprendizaje reforzado Ninguna de las anteriores Aprendizaje no supervisado . ¿Cuál de las siguientes métricas se usan para evaluar modelos de clasificación? Todas las anteriores Matriz de confusión Area bajo la curva ROC Medida F . El valor de verdaderos positivos es del 10% y el de falsos positivos es del 15. ¿Cuál es el valor de la precisión? Ninguno de los valores mostrados 0.4 0.6 0.5. El valor de falsos negativos es 5% y el valor de verdaderos positivos es del 20%. ¿Cuál es el valor del recall? 0.25 0.20 0.3 0.8 . La regla que se utiliza para crear árboles de clasificación o regresión es: partir hacer mientras mientras si-entonces . ¿Qué son los hiperplanos en el contexto de SVM? Funciones de decisión Planos perpendiculares Ninguna de las anteriores Límites de decisión . CART no puede encontrar divisiones multivariadas. Vertader Fals. Cuando el número de clases a clasificar es grande, el índice de Gini no es una buena opción. Vertader Fals. El índice de Gini no está sesgado cuando hay variables con muchas categorías. Vertader Fals. Los CART permiten crear modelos predictivos con interacciones Vertader Fals.
