Evaluación del rendimiento del aprendizaje automático: cuestionarios y ejercicios

Question 1

¿Cuál de las siguientes métricas NO es adecuada para evaluar el rendimiento de un modelo de regresión?

Accepted Answer

Área bajo la curva ROC

Answer

R cuadrado

Answer

Error medio absoluto

Answer

Precisión

Question 2

La precisión mide la proporción de:

Accepted Answer

Predicciones correctas

Answer

Predicciones incorrectas

Answer

Predicciones realizadas

Answer

Velocidad de predicción

Question 3

El área bajo la curva ROC se utiliza para evaluar:

Accepted Answer

La capacidad de distinción entre clases

Answer

La precisión

Answer

La velocidad

Answer

La robustez

Question 4

La validación cruzada:

Accepted Answer

Divide los datos en conjuntos de entrenamiento y prueba

Answer

Usa los mismos datos para entrenamiento y evaluación

Answer

Requiere una gran cantidad de datos

Answer

Siempre es más precisa que la evaluación de retención

Question 5

Una métrica de evaluación de rendimiento de modelos de aprendizaje automático que mide la proporción de predicciones correctas es:

Accepted Answer

Precisión

Answer

Retroceso

Answer

F1-Score

Answer

Área Bajo la Curva ROC

Question 6

El propósito de la regularización es:

Accepted Answer

Reducir el sobreajuste

Answer

Incrementar la precisión

Answer

Mejorar la interpretabilidad

Answer

Acelerar el entrenamiento

Question 7

¿Cuál de los siguientes es un ejemplo de una técnica de ajuste de hiperparámetros?

Accepted Answer

Optimización de gradiente

Answer

Validación cruzada

Answer

Ingeniería de características

Answer

Transformación de datos

Question 8

¿Cuál de las siguientes métricas NO mide la capacidad de un modelo de aprendizaje automático para distinguir entre clases?

Accepted Answer

Velocidad de procesamiento

Answer

Precisión

Answer

Recuperación

Answer

Area bajo la curva ROC

Question 9

El área bajo la curva ROC mide:

Accepted Answer

La capacidad del modelo para clasificar instancias correctamente

Answer

La rapidez con la que el modelo converge a la solución óptima

Answer

La complejidad computacional del modelo

Answer

La cantidad de datos necesarios para entrenar el modelo

Question 10

Un modelo de aprendizaje automático con alta precisión y baja recuperación:

Accepted Answer

Clasifica correctamente la mayoría de las instancias, pero pierde algunas instancias positivas

Answer

Clasifica incorrectamente la mayoría de las instancias, pero identifica todas las instancias positivas

Answer

Clasifica correctamente todas las instancias, pero solo identifica algunas instancias positivas

Answer

Clasifica incorrectamente todas las instancias, pero solo identifica algunas instancias positivas

Question 11

La matriz de confusión se utiliza para visualizar:

Accepted Answer

El desempeño del modelo en diferentes clases

Answer

Los datos de entrenamiento utilizados para entrenar el modelo

Answer

La estructura del modelo de aprendizaje automático

Answer

Los hiperparámetros del modelo de aprendizaje automático

Question 12

El sobreajuste ocurre cuando:

Accepted Answer

El modelo tiene un buen desempeño en los datos de entrenamiento pero un mal desempeño en los datos de prueba

Answer

El modelo tiene un buen desempeño en los datos de prueba pero un mal desempeño en los datos de entrenamiento

Answer

El modelo tiene un buen desempeño tanto en los datos de entrenamiento como en los de prueba

Answer

El modelo tiene un mal desempeño tanto en los datos de entrenamiento como en los de prueba

Question 13

La validación cruzada es una técnica utilizada para:

Accepted Answer

Evaluar el desempeño del modelo en múltiples subconjuntos de datos

Answer

Seleccionar los mejores hiperparámetros del modelo

Answer

Reducir el sobreajuste del modelo

Answer

Mejorar la precisión del modelo

Question 14

Un modelo de aprendizaje automático con un puntaje F1 alto indica que:

Accepted Answer

Tiene un buen equilibrio entre precisión y recuperación

Answer

Tiene una precisión muy alta

Answer

Tiene una recuperación muy alta

Answer

Tiene un área bajo la curva ROC muy alta

Question 15

Indique cuál de las siguientes afirmaciones NO es cierta sobre las métricas de evaluación del rendimiento del aprendizaje automático:

Accepted Answer

El lenguaje de programación utilizado para entrenar el modelo es un factor crucial para evaluar su rendimiento.

Answer

Las métricas proporcionan información valiosa sobre la eficacia de un modelo de aprendizaje automático.

Answer

La precisión mide la proporción de predicciones correctas realizadas por un modelo.

Answer

El recuerdo mide la capacidad de un modelo para identificar correctamente los ejemplos positivos relevantes.

Question 16

En el contexto de la evaluación del rendimiento del aprendizaje automático, ¿qué mide la precisión?

Accepted Answer

La proporción de predicciones correctas realizadas por un modelo.

Answer

La proporción de predicciones incorrectas realizadas por un modelo.

Answer

El número total de predicciones realizadas por un modelo.

Answer

El error absoluto medio calculado entre las predicciones y los valores reales.

Question 17

En una tarea de clasificación multiclase, ¿qué métrica se utiliza para medir la capacidad general de un modelo para clasificar correctamente ejemplos en todas las clases?

Accepted Answer

F1-score

Answer

Precisión

Answer

Recuerdo

Answer

Curva ROC

Question 18

¿Qué técnica se utiliza para dividir un conjunto de datos en subconjuntos de entrenamiento, validación y prueba?

Accepted Answer

Validación cruzada

Answer

Submuestreo

Answer

Sobreamuestreo

Answer

Escalado de características

Question 19

¿Cuál de las siguientes consideraciones NO es importante al evaluar el rendimiento del aprendizaje automático?

Accepted Answer

El número de núcleos de CPU disponibles en el equipo utilizado para entrenar el modelo.

Answer

El tamaño y la representatividad del conjunto de datos utilizado para entrenar y evaluar el modelo.

Answer

El tipo de tarea que se está abordando (clasificación, regresión, etc.).

Answer

El costo potencial de los errores cometidos por el modelo en el mundo real.

Question 20

En una tarea de regresión, ¿qué métrica se utiliza para medir el error entre las predicciones de un modelo y los valores reales?

Accepted Answer

Error absoluto medio

Answer

Precisión

Answer

F1-score

Answer

Curva ROC

Question 21

¿Cuál de las siguientes métricas mide la proporción de instancias positivas correctamente identificadas?

Accepted Answer

Precisión

Answer

Sensibilidad

Answer

Especificidad

Answer

Puntaje F1

Question 22

El área bajo la curva ROC (AUC-ROC) indica:

Accepted Answer

La capacidad del modelo para distinguir entre clases positivas y negativas

Answer

La precisión general del modelo

Answer

La sensibilidad del modelo para instancias positivas

Answer

La especificidad del modelo para instancias negativas

Question 23

El sobreajuste se produce cuando:

Accepted Answer

El modelo memoriza los datos de entrenamiento específicos en lugar de aprender patrones generales

Answer

El modelo no puede aprender de los datos de entrenamiento

Answer

El modelo es demasiado complejo para los datos

Answer

El modelo no está entrenado con suficientes datos

Question 24

¿Cuál de las siguientes NO es una aplicación del aprendizaje automático?

Accepted Answer

Juego de ajedrez

Answer

Reconocimiento de voz

Answer

Predicción de series temporales

Answer

Control de robots

Question 25

Al evaluar el rendimiento de un modelo de aprendizaje automático, ¿cuál de las siguientes afirmaciones sobre el uso de métricas es cierta?

Accepted Answer

Al elegir las métricas para evaluar un modelo de aprendizaje automático, es importante considerar las compensaciones entre las métricas.

Answer

Siempre es suficiente utilizar una sola métrica de rendimiento para evaluar un modelo de aprendizaje automático.

Answer

El uso de múltiples métricas de rendimiento siempre es mejor que usar una sola métrica.

Question 26

¿Cuál de las siguientes opciones NO es una métrica de evaluación del rendimiento del aprendizaje automático?

Accepted Answer

Desviación estándar

Answer

Precisión

Answer

Recuperación

Answer

Área bajo la curva ROC

Question 27

Un modelo de aprendizaje automático tiene una precisión del 85%. Esto significa que:

Accepted Answer

El modelo clasifica correctamente el 85% de las instancias

Answer

El modelo clasifica incorrectamente el 15% de las instancias

Answer

El modelo tiene una baja capacidad de generalización

Answer

El modelo es perfecto

Question 28

¿Qué curva representa la relación entre la tasa de verdaderos positivos (TPR) y la tasa de falsos positivos (FPR)?

Accepted Answer

Curva ROC

Answer

Curva de Precisión-Recuperación

Answer

Curva de Ganancia Acumulada

Answer

Curva de Pérdida Acumulada

Question 29

Un modelo de aprendizaje automático tiene una alta precisión pero una baja recuperación. ¿Qué puede sugerir esto?

Accepted Answer

El modelo es demasiado conservador y tiende a clasificar las instancias como negativas

Answer

El modelo es demasiado agresivo y tiende a clasificar las instancias como positivas

Answer

El modelo necesita más datos de entrenamiento

Answer

El modelo no es adecuado para el problema en cuestión

Question 30

El Área Bajo la Curva ROC (AUC-ROC) representa:

Accepted Answer

La probabilidad de que el modelo clasifique correctamente una instancia aleatoria

Answer

La probabilidad de que el modelo clasifique incorrectamente una instancia aleatoria

Answer

La proporción de instancias clasificadas correctamente

Answer

La proporción de instancias clasificadas incorrectamente

Question 31

Un modelo de aprendizaje automático con una alta precisión y recuperación puede considerarse:

Accepted Answer

Excelente

Answer

Bueno

Answer

Adecuado

Answer

Insuficiente

Question 32

¿Cuál es una desventaja del uso de la Curva ROC?

Accepted Answer

Puede ser difícil de interpretar en problemas con clases desequilibradas

Answer

Requiere muchos datos de entrenamiento

Answer

No proporciona información sobre la precisión o la recuperación

Answer

No se puede utilizar para evaluar modelos clasificadores

Question 33

¿Cuál de las siguientes es una métrica comúnmente utilizada para evaluar la precisión de un modelo de aprendizaje automático?

Accepted Answer

Precisión

Answer

Coste del modelo

Answer

Velocidad de entrenamiento

Answer

Complejidad del algoritmo

Question 34

El Área Bajo la Curva ROC (AUC-ROC) es una métrica que mide el rendimiento de un modelo de clasificación en:

Accepted Answer

Distinguir entre instancias positivas y negativas

Answer

Predecir valores continuos

Answer

Detectar anomalías

Question 35

La precisión mide qué proporción de las predicciones del modelo fueron:

Accepted Answer

Correctas

Answer

Incorrectas

Answer

Falsas alarmas

Answer

Verdaderas positivas

Question 36

La recuperación mide qué proporción de las instancias realmente positivas fueron:

Accepted Answer

Clasificadas correctamente

Answer

Clasificadas incorrectamente

Answer

Clasificadas como negativas

Question 37

El uso de una matriz de confusión es beneficioso para:

Accepted Answer

Visualizar el rendimiento del modelo en diferentes clases

Answer

Optimizar los hiperparámetros del modelo

Answer

Generar nuevas características

Question 38

El ajuste excesivo de un modelo de aprendizaje automático puede provocar:

Accepted Answer

Un mal rendimiento en datos nuevos

Answer

Un buen rendimiento en datos de entrenamiento

Answer

Una mayor eficiencia computacional

Answer

Una mejor interpretabilidad

Question 39

La validación cruzada es una técnica utilizada para:

Accepted Answer

Estimar el rendimiento del modelo en datos no vistos

Answer

Optimizar los hiperparámetros del modelo

Answer

Seleccionar las características más importantes

Question 40

Las técnicas de conjunto implican:

Accepted Answer

Combinar múltiples modelos para mejorar el rendimiento

Answer

Eliminar características irrelevantes del conjunto de datos

Answer

Evaluar el rendimiento del modelo en diferentes conjuntos de datos

Question 41

La importancia de las características mide:

Accepted Answer

La influencia de cada característica en el rendimiento del modelo

Answer

El número de valores únicos en una característica

Answer

La correlación entre características

Question 42

¿Qué métrica NO se utiliza para evaluar el rendimiento de los modelos de aprendizaje automático?

Accepted Answer

Varianza

Answer

Precisión

Answer

Recuperación

Question 43

El área bajo la curva ROC (AUC-ROC) mide:

Accepted Answer

La capacidad del modelo para distinguir entre clases positivas y negativas.

Answer

La recuperación del modelo en el conjunto de datos de prueba.

Answer

La precisión del modelo en el conjunto de datos de entrenamiento.

Question 44

Un modelo de aprendizaje automático tiene una tasa de falsos positivos del 10%. ¿Cuál es su especificidad?

Accepted Answer

90%

Answer

50%

Answer

10%

Answer

0%

Question 45

La matriz de confusión se utiliza para:

Accepted Answer

Evaluar el rendimiento de los modelos de clasificación

Answer

Entrenar modelos de aprendizaje automático

Answer

Visualizar los datos

Answer

Preprocesar los datos de entrenamiento

Question 46

¿Cuál de las siguientes es una ventaja de utilizar un conjunto de validación en la evaluación del rendimiento?

Accepted Answer

Evitar el sobreajuste

Answer

Incrementar la precisión del modelo

Answer

Acelerar el entrenamiento del modelo

Question 47

Al evaluar el rendimiento de un modelo de aprendizaje automático, es esencial:

Accepted Answer

Considerar múltiples métricas y conjuntos de datos

Answer

Ignorar la interpretabilidad del modelo

Answer

Confiar únicamente en la precisión

Answer

No utilizar un conjunto de validación

Question 48

¿Cuál de las siguientes NO es una métrica de evaluación del rendimiento del aprendizaje automático?

Accepted Answer

Coherencia

Answer

Área bajo la curva ROC

Answer

Precisión

Answer

Recuperación

Question 49

La importancia de evaluar el rendimiento del aprendizaje automático radica en:

Accepted Answer

Mejorar el rendimiento de los modelos y tomar decisiones informadas.

Answer

Ahorrar tiempo y recursos

Answer

Cumplir con las regulaciones gubernamentales

Question 50

Una matriz de confusión de un modelo de aprendizaje automático tiene muchos falsos negativos. ¿Qué implica esto?

Accepted Answer

El modelo no está identificando correctamente muchos ejemplos positivos.

Answer

El modelo está identificando correctamente muchos ejemplos positivos pero también muchos ejemplos negativos como positivos.

Answer

El modelo no está identificando correctamente muchos ejemplos negativos.