Teoría Python FIA

¿En qué consiste la evaluación de un modelo mediante el método de retención?. En elegir manualmente un conjunto de evaluación que utilizar. Dividir aleatoriamente el conjunto de datos. Una parte se usa exclusivamente para entrenamiento y otra exclusivamente para evaluación. Entrenar y evaluar con el mismo conjunto de datos para maximizar su aprovechamiento.

¿Qué ventaja presenta el método de retención frente al método de validación cruzada?. Necesita menos potencia de cómputo ya que solo requiere entrenar y validar un modelo. Sus métricas son más fiables ya que son el resultado de entrenar y validar el modelo sobre una única división del conjunto de datos. Las dos anteriores son ciertas.

¿Qué ventaja presenta el método de validación cruzada frente al método de retención?. Requiere menos potencia de cómputo ya que requiere entrenar y validar el modelo varias veces. Sus métricas son más fiables ya que son el resultado de entrenar y validar el modelo sobre distintas divisiones del conjunto de datos. Ninguna. Ambos métodos son igual de apropiados en todos los casos.

¿Qué desventaja presenta el método de validación cruzada frente al método de retención?. Requiere más potencia de cómputo ya que necesita entrenar y validar el modelo varias veces. No todos los modelos de clasificación permiten su uso. Ninguna de las anteriores es cierta.

Estás trabajando en un problema clínico de clasificación binaria y se desea un modelo que minimice la aparición de Falsos Negativos. ¿Qué métrica utilizarías para evaluar su rendimiento?. Accuracy. Recall. Precision.

Estás trabajando en un problema clínico de clasificación binaria y se desea un modelo que minimice la aparición de Falsos Negativos. ¿Qué métrica utilizarías para evaluar su rendimiento?. FNR. Recall. Las dos anteriores son ciertas.

Estás trabajando en un problema de clasificación binaria y se desea un modelo que minimice la aparición de Falsos Positivos. ¿Qué métrica utilizarías para evaluar su rendimiento?. Accuracy. Recall. Precision.

Estás trabajando en un problema clínico y se desea un modelo que minimice la aparición de Falsos Positivos. ¿Qué métrica utilizarías para evaluar su rendimiento?. FNR. Recall. Ninguna de las anteriores es cierta.

Estás trabajando con un conjunto de datos de clasificación binaria en el que un 10% de datos son de la clase positiva y un 90% de los datos son de la clase negativa. Se desea un modelo que tenga un rendimiento similar a la hora de identificar casos positivos y negativos. Accuracy. F1. Las dos anteriores son ciertas.

Estás trabajando con un conjunto de datos de clasificación binaria equilibrado. Se desea un modelo que tenga un rendimiento similar a la hora de identificar casos positivos y negativos. Accuracy. F1. Las dos anteriores son ciertas.

Estás trabajando con un conjunto de datos de clasificación binaria. Se desea un modelo cuya toma de decisiones sea interpretable por el usuario. ¿Qué modelo de los siguientes usaría?. Árbol de Decisión. Perceptrón Multicapa. Las dos anteriores son ciertas.

Estás trabajando con un conjunto de datos de clasificación binaria que contiene información respecto al género de la persona. Esa información se presenta como una cadena de caracteres. Se desea utilizar un Árbol de Decisión para entrenar un modelo con dicha información. ¿Qué precaución habría que tomar en el preprocesado de los datos para que el modelo pueda entrenarse correctamente con esos datos?. Ninguna a priori. Un Árbol de decisión puede trabajar con datos en forma de cadena de caracteres. Codificar los datos como números ya que el Árbol de Decisión requiere datos numéricos. Eliminar los datos respecto al género ya que el Árbol de Decisión no puede trabajar con datos en forma de cadena de caracteres.