Ensamble Learning

Dividimos el conjunto de datos en porciones y utilizamos cada porción para entrenar un sistema (normalmente del mismo tipo). Bagging. Boosting. Stacking.

Construimos diferentes modelos (del mismo tipo). Cada uno intenta “enmendar” los errores de los previos. Bagging. Boosting. Stacking.

Construimos diferentes modelos (de diferentes tipos). Se construye un “supervisor” que elija la salida a dar a partir de los votos. Bagging. Boosting. Stacking.

¿A qué tipo de ensemble learning pertenece el algoritmo Random Forest?. Bagging. Boosting. Stacking. Clustering.

¿Cuál es una técnica específica que utiliza Random Forest para evitar el overfitting?. El uso de validación cruzada. La elección aleatoria de datos y atributos para entrenar cada árbol. La poda de árboles para eliminar ramas innecesarias. La asignación de pesos a los árboles según su rendimiento.

¿Qué hace que los árboles en un Random Forest sean diferentes entre sí?. Cada árbol utiliza un algoritmo diferente para su construcción. Cada árbol se construye con datos y atributos seleccionados aleatoriamente. Los árboles comparten exactamente los mismos datos y atributos. Los árboles solo utilizan un subconjunto fijo de atributos en cada división.

En Boosting... Los pesos de los datos donde un clasificador acierta: disminuyen, los datos donde falla: aumentan. Los pesos de los datos donde un clasificador acierta: aumentan, los datos donde falla: disminuyen. Los pesos de los datos donde un clasificador acierta: aumentan, los datos donde falla: aumentan. Los pesos de los datos donde un clasificador acierta: disminuyen, los datos donde falla: disminuyen.

¿Cuál es la principal ventaja de combinar múltiples modelos en Ensemble Learning?. Reduce el costo computacional del entrenamiento. Mejora la capacidad de predicción al combinar las salidas de diferentes modelos. Garantiza la interpretabilidad de los resultados. Todas son correctas.

¿Qué característica clave distingue a Bagging en Ensemble Learning?. Cada modelo utiliza el conjunto completo de datos para el entrenamiento. Los datos de entrenamiento se seleccionan mediante muestreo con reemplazo. Los modelos se entrenan secuencialmente para corregir los errores de los anteriores. Se construyen modelos de diferentes tipos y se combina su salida.

¿Qué sucede con el error ponderado en Boosting si un modelo débil tiene un bajo rendimiento?. El error ponderado disminuye y el modelo obtiene mayor peso. El error ponderado aumenta y el modelo obtiene menor peso. El modelo se elimina del conjunto. El error ponderado no afecta el peso del modelo.

¿Cuál de las siguientes técnicas de Ensemble Learning puede reducir el riesgo de sobreajuste?. Bagging. Boosting. Stacking. Clustering.