Sistemas de Aprendizaje Automático - RA3 - ILERNA

¿Para qué se comprueba un modelo con ejemplos distintos de los usados al entrenarlo?. Generar etiquetas nuevas automáticamente. Descartar los ejemplos originales. Estimar el rendimiento ante casos nuevos. Incrementar la complejidad sin evaluación.

¿Cómo se comprueba el comportamiento de un modelo en la fase de prueba?. Eliminándolo tras entrenarlo. Evaluándolo con observaciones que no participaron en el ajuste. Usando solo la primera versión sin comprobarla. Quitando las etiquetas de todas las entradas.

Si la salida que queremos predecir es una categoría, ¿qué métodos supervisados resultan adecuados?. Operaciones aritméticas sin un modelo predictivo. Clasificadores como un árbol de decisión o una regresión logística. Herramientas para editar imágenes. Procesadores de texto sin entrenamiento.

¿Qué información deben incluir los ejemplos de entrenamiento supervisado?. Únicamente entradas sin resultado conocido. Entradas asociadas a un resultado o etiqueta. Solo un optimizador, sin ejemplos. Únicamente las salidas, sin sus entradas.

¿Cuál es la finalidad de modificar las características o los parámetros de un predictor?. Restaurar siempre el estado inicial. Mejorar la calidad de las predicciones mediante ajustes del modelo. Añadir ejemplos sin salida conocida como único cambio. Vaciar el modelo antes de evaluarlo.

Un predictor acierta con los ejemplos que estudió pero falla con casos nuevos. ¿Qué problema presenta?. Aprendizaje insuficiente de los patrones. Escasez de parámetros en todos los casos. Una simplicidad excesiva garantizada. Sobreajuste a las particularidades del entrenamiento.

¿Qué recurso permite penalizar una complejidad excesiva durante el entrenamiento?. Incrementar siempre la profundidad. Retirar todas las etiquetas disponibles. Aplicar regularización. Quitar las variables con mayor utilidad predictiva.

¿Qué clase de salida estima una regresión lineal?. Grupos sin etiqueta. Exclusivamente categorías discretas. Un valor numérico continuo relacionado con las entradas. La configuración de un optimizador.

¿Qué caracteriza el aprendizaje a partir de ejemplos etiquetados?. Aprender sin ejemplos de salida. Aprender sin ningún dato. Usar solo observaciones sin etiquetas. Aprender una relación entre entradas y resultados conocidos.

¿Cuáles son las dos tareas principales del aprendizaje supervisado?. Clustering y proyección dimensional. Almacenamiento de datos en directo. Predicción de categorías y de valores continuos. Solo descubrimiento de grupos sin etiquetas.

Al agregar varios modelos mediante bagging, ¿qué mejora se pretende conseguir?. Estabilizar las predicciones y mejorar su precisión. Reducir obligatoriamente el número de registros. Garantizar inferencia instantánea. Hacer más complejo cada modelo base.

¿Qué criterio utiliza una SVM para separar las clases?. Una frontera con el mayor margen posible entre clases. El menor tiempo posible como único objetivo. La obligación de usar únicamente fronteras lineales en el espacio original. La varianza mínima de las variables de entrada.

¿Por qué conviene combinar mediante bagging árboles sensibles a cambios en los datos?. Porque incrementa la altura para eliminar todo sesgo. Porque permite prescindir de la evaluación. Porque solo añade complejidad. Porque reduce la variabilidad de las predicciones y favorece la generalización.

¿Cómo se relacionan los modelos que forman un ensemble de boosting?. Cada nuevo modelo se centra en corregir fallos de la combinación anterior. Todos se entrenan sin relación con los anteriores. Su única operación es duplicar datos. Descarta modelos sin aprender de sus errores.

¿Cómo construye sus predicciones un bosque aleatorio?. Promediando directamente las entradas sin entrenar. Combinando las predicciones de muchos árboles. Con una única red profunda. Con un árbol único de máxima profundidad.

¿Qué objetivo guía el entrenamiento de XGBoost?. Una función objetivo con pérdida y regularización mediante entrenamiento eficiente. Únicamente el tiempo, sin considerar el error. Solo la cantidad de columnas. La simplicidad sin tener en cuenta las predicciones.

¿En qué se basa la agregación bootstrap o bagging?. Incrementar deliberadamente el sesgo. Ajustar un único predictor. Combinar modelos entrenados con muestras bootstrap para reducir varianza. Ignorar todos los ejemplos al entrenar.

¿Existe una cantidad obligatoria de árboles en un bosque aleatorio?. Exactamente diez en cualquier problema. El mismo número obligatorio para todos los bosques. No; se configura y suelen emplearse cientos o incluso miles. Sí: debe contener solo uno.

¿Qué sucede cuando un modelo aprende también el ruido del conjunto de entrenamiento?. Necesariamente falla también en todos los ejemplos de entrenamiento. Reduce siempre el error de validación al memorizar. Se sobreajusta y puede rendir peor ante observaciones nuevas. Garantiza precisión alta por ser simple.

¿Qué efecto suele tener agregar las predicciones de varios modelos mediante bagging?. Obliga a usar un solo predictor base. Impide resolver problemas con salidas continuas. Puede reducir la varianza de las predicciones. Siempre aumenta la complejidad de cada predictor individual.