Tema 2 · Machine Learning i
Test de Aprendizaje supervisado
7 preguntas tipo test de exámenes reales de Machine Learning i.
Qué entra en este tema
- Arboles de decisión (Clasificación y Regresión)
- Random Forest
- Perceptrón monocapa y multicapa
- Máquinas basadas en núcleos
- Máquinas de vectores soporte (Clasificación y Regresión)
- Otros enfoques (LVQ, k-NN)
Según la guía docente oficial.
Preguntas falladas
Aquí irán las que falles, dejes en blanco o marques para revisar, para repasarlas después.
Configura tu test
7 preguntas de Aprendizaje supervisado
Ejemplos de preguntas de Aprendizaje supervisado
7 de 7 preguntas. La respuesta correcta se ve al practicar.
- 1.
Indica la respuesta correcta. Para un árbol de decisión en regresión
- a)Se emplea como medida de dispersión para la selección de atributos, el error cuadrático medio.
- b)Se emplea como medida de dispersión para la selección de atributos, el índice Gini.
- c)Se emplea como medida de dispersión para la selección de atributos, la ganancia de información.
- d)Se emplea como medida de dispersión para la selección de atributos, la entropía. GRADO EN CIENCIA E INGENIERÍA DE DATOS Teoría, preguntas de desarrollo: 2.5 PUNTOS
- 2.
Un clasificador demasiado sencillo para la complejidad del problema producirá soluciones con
- a)Sesgo alto y varianza alta
- b)Sesgo bajo y varianza baja
- c)Sesgo alto y varianza baja
- d)Sesgo bajo y varianza alta
- 3.
En las SVM, indica la respuesta correcta:
- a)El denominado Kernel trick permite que, para ciertas funciones Φ, sea posible convertir el problema original en su dual, sin perjuicio de la solución obtenida.
- b)El denominado Kernel trick permite que, dada una función de transformación Φ, sea posible calcular el resultado de ΦT(x)Φ(z) directamente en el espacio transformado sin necesidad de conocer Φ.
- c)El denominado Kernel trick permite que, para ciertas funciones Φ, sea posible calcular el resultado de ΦT(x)Φ(z) directamente en el espacio original sin necesidad de conocer Φ.
- d)El denominado Kernel trick permite que, para ciertas funciones Φ, sea posible calcular el resultado de ΦT(x)Φ(z) directamente en el espacio transformado sin necesidad de conocer Φ.
- 4.
La representación gráfica de la Sensibilidad vs Probabilidad de Falsa Alarma para un sistema clasificador binario según se varía el umbral de discriminación (valor a parPr del cual decidimos que un caso es un posiPvo) es la
- a)ROC (“Receiver OperaPng CharacterisPc”)
- b)F1 score
- c)AUC (área bajo la curva)
- d)Puntuación Kappa
- 5.
En el entrenamiento de una máquina de aprendizaje, la técnica denominada “Weight Decay” es
- a)Una técnica que evita el sobreajuste finalizando el entrenamiento cuando repunta el error de validación.
- b)Una técnica de regularización de la solución mediante la minimización adicional de la norma (cuadráPca) de los pesos.
- c)Una técnica de regularización de la solución mediante la disminución paulaPna de los pesos de entrada de la red.
- d)Una técnica que evita el sobreajuste en el entrenamiento de una máquina de aprendizaje mediante el decaimiento ponderado del parámetro de aprendizaje.
- 6.
En un problema de clasificación, si tenemos un valor de recall bajo y una precisión alta significa que:
- a)La clase posiPva es detectada perfectamente por el modelo.
- b)El modelo no puede detectar la clase posiPva aceptablemente pero cuando lo hace es muy fiable
- c)La clase posiPva es detectada aceptablemente por el modelo, pero también incluye muestras de la clase negaPva
- d)La clase negaPva es detectada perfectamente por el modelo. GRADO EN CIENCIA E INGENIERÍA DE DATOS
- 7.
Respecto a los árboles de decisión, indicar la respuesta correcta:
- a)Solo funcionan con variables categóricas, las numéricas hay que discretizarlas.
- b)Son una técnica que no sufre overfitting.
- c)Para hacer regresión es necesario tener variables numéricas y categóricas.
- d)Para evitar el overfitting se puede aplicar prepoda y postpoda.