AAnS Tema 7

¿Cuál es el objetivo principal del t-SNE?. Maximizar la variación global en los datos. Preservar las relaciones locales entre puntos de datos. Minimizar el uso de recursos computacionales. Garantizar la linealidad de los datos.

¿Cuál de las siguientes técnicas es más adecuada para datos lineales?. t-SNE. PCA. MDS. Isomap.

¿Cuál es una de las desventajas del t-SNE?. Es muy eficiente computacionalmente. Preserva la estructura global de los datos. Puede quedarse atascado en mínimos locales. Es muy sensible a los hiperparámetros.

¿Qué técnica utiliza distribuciones gaussianas para calcular similitudes en alta dimensionalidad?. PCA. MDS. t-SNE. Isomap.

¿Qué significa MDS en el contexto de la reducción de dimensionalidad?. Minimum Dimension Search. Multi-Dimensional Scaling. Maximum Distance Sorting. Multi-Data Scaling.

¿Cuál de las siguientes técnicas es especialmente útil para datos no lineales?. Isomap. t-SNE. MDS. Todas las anteriores.

¿Qué técnica de reducción de dimensionalidad utiliza la divergencia de Kullback-Leibler?. PCA. MDS. t-SNE. Isomap.

¿Cuál de las siguientes aplicaciones es adecuada para t-SNE?. Reducción de dimensionalidad de datos lineales. Visualización de datos complejos y no lineales. Análisis de encuestas de preferencias. Cálculo de distancias euclidianas entre puntos.

¿Qué técnica utiliza el algoritmo de Floyd-Warshall para calcular el camino más corto entre pares de puntos?. PCA. MDS. t-SNE. Isomap.

¿Cuál de las siguientes afirmaciones sobre las técnicas de reducción de dimensionalidad es correcta?. MDS es más adecuado que t-SNE para datos con estructuras no lineales. PCA puede preservar mejor las relaciones locales entre los datos que t-SNE. t-SNE es computacionalmente más eficiente que PCA para grandes conjuntos de datos. Isomap utiliza el cálculo de distancias geodésicas para preservar las relaciones no lineales en los datos.