clase 16

¿Qué es un clasificador de árbol de decisión y cómo funciona para resolver problemas de clasificación?

• Es un modelo basado en reglas que divide los datos en subconjuntos según características específicas.

• Es un modelo que agrupa datos en clústeres basándose en distancias euclidianas.

• Es una red neuronal profunda que aprende características de manera jerárquica.

• Es un modelo probabilístico basado en el teorema de Bayes.

• Es un algoritmo que divide los datos utilizando funciones trigonométricas.

¿Cuál es la diferencia entre un clasificador y un regresor de árbol de decisión?

• Un clasificador predice valores continuos, mientras que un regresor clasifica.

• Un clasificador predice etiquetas categóricas, mientras que un regresor predice valores continuos.

• Un clasificador utiliza características categóricas exclusivamente, y un regresor solo características numéricas.

• Los regresores no utilizan criterios de pureza como la entropía o Gini.

• Los clasificadores siempre tienen más precisión que los regresores.

¿Qué representan los nodos, las ramas y las hojas en un árbol de decisión?

• Los nodos representan salidas finales, las ramas condiciones y las hojas decisiones intermedias.

• Las ramas representan datos de entrada, los nodos distribuciones gaussianas y las hojas reglas aleatorias.

• Las hojas representan características, las ramas representan valores y los nodos las etiquetas.

• Los nodos y ramas son opcionales, pero las hojas son obligatorias.

• Los nodos representan divisiones, las ramas condiciones y las hojas resultados finales.

¿Qué métrica se utiliza para medir la pureza de un nodo en un árbol de decisión?

• Raíz cuadrada del número de instancias.

• Promedio de la varianza de las características.

• Suma de las probabilidades condicionales.

• Regresión lineal entre las características.

• Entropía o índice de Gini.

¿Qué es la "profundidad máxima" de un árbol de decisión y cómo afecta el rendimiento del modelo?

• La profundidad máxima se mide en años; afecta la precisión con datos temporales.

• Es el número total de características; más características mejoran la precisión siempre.

• Es la cantidad de divisiones en las hojas; más divisiones reducen el sobreajuste.

• Es la cantidad de ramas generadas por un nodo padre; más ramas siempre generan mejores predicciones.

• Es el nivel máximo de divisiones desde la raíz; profundidades mayores pueden causar sobreajuste.

¿Cómo se interpretan los hiperparámetros min_samples_leaf y max_leaf_nodes en un árbol de decisión?

• Ambos definen el número mínimo y máximo de características que un modelo puede usar.

• Ambos determinan la cantidad de hojas y nodos que se fusionan al final del entrenamiento.

• min_samples_leaf define el tamaño mínimo del conjunto de datos, y max_leaf_nodes el total de nodos de entrada.

• min_samples_leaf define el tamaño mínimo de muestras en una hoja, y max_leaf_nodes el número máximo de nodos hoja.

• Ambos limitan el número de ramas posibles en cada división.

¿Qué problemas puede causar el sobreajuste en un árbol de decisión y cómo pueden mitigarse?

• El modelo no predice ninguna etiqueta y esto se resuelve agregando más datos.

• El modelo tiene problemas con datos categóricos y se mitiga con algoritmos no supervisados.

• El modelo siempre falla en el conjunto de entrenamiento, y se corrige eliminando características.

• El sobreajuste no ocurre en árboles de decisión.

• El modelo se ajusta demasiado al conjunto de entrenamiento; se mitiga limitando la profundidad o usando poda.

¿Cuál es el propósito de dividir el conjunto de datos en conjuntos de entrenamiento y prueba usando train_test_split?

• Dividir datos categóricos y numéricos para optimizar el modelo.

• Separar características importantes de las irrelevantes.

• Crear subconjuntos para clasificar automáticamente los datos.

• Usar datos de entrenamiento para validar el modelo.

¿Por qué es importante realizar una búsqueda de hiperparámetros, como GridSearchCV, en modelos como árboles de decisión?

• Aumenta la cantidad de datos de entrada para mejorar el ajuste del modelo.

• Identifica automáticamente características irrelevantes.

• Agrega ruido aleatorio para hacer el modelo más robusto.

• Garantiza que el modelo siempre tenga un rendimiento perfecto.

• Optimiza los hiperparámetros para maximizar el rendimiento del modelo en el conjunto de validación.

¿Cómo se calculan el accuracy_score y el mean_squared_error en un árbol de decisión?

• Ambos se calculan midiendo la cantidad de hojas generadas por el árbol.

• Se obtienen utilizando redes neuronales entrenadas en paralelo.

• Solo se calculan con datos categóricos.

• Utilizan promedios ponderados de características de entrada.

• accuracy_score mide la proporción de etiquetas correctas, y mean_squared_error evalúa errores al cuadrado en predicciones.