Test Sistemas de Aprendizaje Automático Tema 5

¿Cuál de las siguientes métricas penaliza más los errores grandes?. MAE. Accuracy. MSE. Precisión.

¿Cuál es la fórmula correcta del accuracy?. (VP + FN) / Total. (VP + VN) / Total. (FP + FN) / Total. (VN + FP) / Total.

¿Cómo se calcula la precisión de una clase en multiclase?. VP / (VP + FN). VP / (VP + FP). VP / Total. VN / (VN + FP).

¿Qué problema se produce cuando un modelo es demasiado simple para los datos?. Sobreajuste. Underfitting. Precisión baja. Recall alto.

¿Cuál es la fórmula del recall?. VP / (VP + FP). VN / (VP + FP). VP / (VP + FN). FP / (VP + FN).

¿Qué pasa si usamos el 100% de datos para entrenar?. Mejora la generalización. Aumenta la precisión. No podremos evaluar el modelo con datos no vistos. Mejora el recall.

¿Qué representa un Falso Positivo?. Un dato negativo clasificado como negativo. Un dato negativo clasificado como positivo. Un dato positivo clasificado como negativo. Un dato positivo correctamente clasificado.

¿Cuál es una causa del subajuste?. Validación cruzada. Modelo demasiado complejo. Pocas épocas de entrenamiento. Datos balanceadoso.

¿Qué significa un alto recall?. El modelo acierta en todas las predicciones. El modelo detecta bien los positivos reales. El modelo tiene pocos falsos positivos. El modelo no falla con los negativos.

¿Qué es la curva ROC?. Una forma de validar regresiones. Una curva que compara precisión y recall. Una curva que relaciona tasa de verdaderos y falsos positivos. Una métrica para subajuste.

¿Qué porcentaje máximo suele usarse para los datos de entrenamiento?. 100%. 50%. 95%. 90%.

¿Qué significa que un modelo tenga una buena capacidad de generalización?. Memoriza perfectamente los datos de entrenamiento. Realiza predicciones solo sobre los datos que ha visto. Funciona correctamente con datos nuevos no vistos. Siempre da una precisión del 100%.

¿Cuál de las siguientes NO es una métrica de regresión?. Error absoluto medio (MAE). Accuracy. Error cuadrático medio (MSE). Error cuadrático logarítmico medio (MSLE).

¿Qué significa “modelo demasiado complejo”?. Tiene pocos parámetros. Sufre subajuste. Riesgo de sobreajuste. Generaliza perfectamente.

¿Qué tipo de problemas aborda la matriz de confusión?. Problemas de regresión. Problemas de clustering. Problemas de clasificación. Problemas de normalización.

¿Qué representa un VP en un problema multiclase?. Una clase correctamente predicha. Una clase mal clasificada. Una instancia no clasificada. Ninguna de las anteriores.

¿Qué característica define al subajuste?. Modelo que memoriza los datos. Modelo que tiene pocos parámetros y falla. Modelo muy preciso con datos de test. Modelo complejo pero lento.

¿Cuál es la mejor forma de evitar el sobreajuste?. Usar todos los datos como test. Hacer validación cruzada. Usar modelos más complejos. Aumentar el número de épocas.

¿Qué métrica se recomienda si hay clases desbalanceadas?. Accuracy. Recall. Precisión. Todas las anteriores.

¿Cuál de las siguientes afirmaciones es FALSA?. Un modelo con underfitting suele fallar también en el entrenamiento. El sobreajuste implica baja capacidad de generalización. Un modelo con overfitting suele tener alto error en entrenamiento. El dropout ayuda a evitar el sobreajuste.

¿Cuál es el efecto del ruido en los datos?. Mejora la generalización. Disminuye el overfitting. Puede inducir al sobreajuste. Reduce el error cuadrático medio.

¿Qué representa el valor VP en una matriz de confusión?. Verdaderos negativos. Verdaderos positivos. Falsos positivos. Falsos negativos.

¿Qué herramienta de Python facilita la división de datos en entrenamiento y test?. train_test_split. test_train_split. split_data. separate_dataset.

¿Qué medida se recomienda usar cuando los errores relativos importan más?. MAE. MSE. MSLE. Accuracy.

¿Qué métrica es más intuitiva para interpretar errores?. MSLE. MAE. MSE. ROC.

¿Qué problema se produce cuando un modelo es demasiado complejo y se adapta demasiado a los datos de entrenamiento?. Subajuste. Generalización. Ruido. Sobreajuste.

¿Cuál es una buena práctica para mejorar la evaluación de modelos?. Usar solo accuracy. Usar múltiples métricas y validación cruzada. Usar siempre el mismo conjunto de test. No separar datos de entrenamiento y test.

¿Qué técnica se usa para dividir los datos múltiples veces para evaluar el modelo?. Overfitting. Underfitting. Validación cruzada. Regularización.

¿Qué sucede si no se separan datos para test?. Los resultados son más fiables. El modelo generaliza mejor. Se corre el riesgo de hacer “trampas”. No afecta en nada.

¿Qué significa la métrica "accuracy"?. La proporción de falsos positivos. La media de errores absolutos. El porcentaje total de predicciones correctas. La sensibilidad del modelo.