Ensembles Paralelos

La característica fundamental de los ensembles paralelos es...

• Combinar diferentes datasets

• Cada modelo mejora las predicciones del modelo anterior

• Combinar predicciones de modelos entrenados en paralelo

• Cada modelo es de una familia diferente (SVMs, KNN, ...)

El bagging consiste en...

• Extraer muestras con reemplazamiento de los datos

• Extraer muestras sin reemplazamiento de los datos

• Repartir infinitos datos entre los modelos

• Reducir la estabilidad de los clasificadores base

¿Cuál de las siguientes técnicas no se emplea en Random Forest?

• Bagging

• Random Subspace Method

• Árboles como clasificadores base

• Post-pruning

Los extremely randomized trees...

• Eligen el punto de corte aleatoriamente

• Eligen la variable y el punto de corte aleatoriamente

• Siempre producen mejor rendimiento que Random Forest

• Eligen la variable de corte aleatoriamente

Un Isolation Forest calcula el nivel de anomalía de un dato como...

• El número de variable anómalas que tiene

• La profundidad media de las hojas donde cae

• El número de árboles que fallan al clasificarlo

• El número de datos de la hoja donde cae

En un Random Forest, puede calcularse la incertidumbre en clasificación como...

• El porcentaje de árboles que aciertan la predicción

• El promedio de las probabilidades de clase predichas en cada árbol

• La varianza de los datos en los nodos terminales alcanzados

• No es posible calcular incertidumbres en Random Forest