Machine Learning Inicial

¿Qué es el aprendizaje supervisado y cómo se aplica?

• El aprendizaje supervisado no tiene aplicaciones prácticas en la industria.

• El aprendizaje supervisado se basa en datos no etiquetados para entrenar modelos.

• El aprendizaje supervisado es un método de machine learning que utiliza datos etiquetados para entrenar modelos que predicen resultados.

• Es un método que solo se utiliza en redes neuronales profundas.

¿Qué significa KNN y cómo funciona?

• KNN es un algoritmo de regresión lineal.

• KNN es un algoritmo de clasificación basado en la proximidad de los datos.

• KNN se basa en la predicción de tendencias a largo plazo.

• KNN utiliza redes neuronales para clasificar los datos.

¿Cuáles son las principales ventajas de los árboles de decisión?

• Son difíciles de interpretar

• Requieren mucho preprocesamiento

• No son robustos ante datos faltantes

• Las principales ventajas de los árboles de decisión son su interpretabilidad, versatilidad, bajo requerimiento de preprocesamiento y robustez ante datos faltantes.

¿Qué es la regresión lineal y en qué se utiliza?

• La regresión lineal es un método para modelar relaciones lineales entre variables y se utiliza para predicciones y análisis de tendencias.

• Es un método para calcular promedios de datos.

• Es una técnica para crear gráficos circulares.

• Se utiliza exclusivamente en análisis de texto.

¿Cómo mejora Random Forest la precisión de los modelos?

• Random Forest se basa en la regresión lineal para aumentar la precisión.

• Random Forest utiliza un solo árbol de decisión para hacer predicciones.

• Random Forest mejora la precisión al eliminar datos irrelevantes antes de entrenar.

• Random Forest mejora la precisión al combinar múltiples árboles de decisión y promediar sus predicciones.

¿Qué características definen el algoritmo K-means?

• K-means utiliza un enfoque jerárquico para agrupar los datos.

• K-means es un algoritmo de agrupamiento que busca dividir un conjunto de datos en K grupos mediante la minimización de la varianza intra-cluster.

• K-means requiere que los grupos sean de tamaño igual para funcionar correctamente.

• K-means es un algoritmo de clasificación que asigna etiquetas a los datos.

¿En qué se diferencia DBSCAN de K-means?

• K-means can find non-spherical shapes and does not require a predefined number of clusters.

• DBSCAN requires a predefined number of clusters and assumes spherical shapes.

• K-means clusters based on density and can find clusters of varying density.

• DBSCAN clusters based on density and can find non-spherical shapes, while K-means requires a predefined number of clusters and assumes spherical shapes.

¿Cuáles son los pasos básicos en un árbol de decisión?

• 1) Seleccionar variable, 2) Dividir datos, 3) Repetir hasta criterio de parada, 4) Asignar clase a hojas.

• 1) Dividir clase, 2) Seleccionar datos, 3) Repetir hasta fin, 4) Asignar variable a nodos.

• 1) Seleccionar variable, 2) Unir datos, 3) Finalizar, 4) Asignar clase a nodos.

• Elegir clase, 2) Combinar datos, 3) Detener proceso, 4) Asignar variable a hojas.

¿Qué tipo de problemas se pueden resolver con la regresión lineal?

• Problemas de clasificación de datos discretos.

• Análisis de series temporales no lineales.

• Problemas de predicción de valores continuos y análisis de relaciones entre variables.

• Optimización de funciones cuadráticas.

¿Cómo se determina el número de clusters en K-means?

• Método del codo y silueta.

• Método de agrupamiento jerárquico

• Número de clusters aleatorio

• Promedio de distancias