Preguntas Teóricas

Se trata de elegir el número óptimo de clusters en KMeans.

Es el equilibrio entre la flexibilidad de un modelo y su capacidad de generalización a datos desconocidos.

Es el compromiso entre la regularización L1 y L2.

Es la decisión entre parar antes de tiempo o entrenar durante más épocas.

Es una técnica de regularización que afecta a la magnitud de los coeficientes.

Se trata de un método para evitar el sobreajuste mediante la finalización del entrenamiento una vez que se cumple una determinada condición, a menudo cuando la pérdida de validación comienza a aumentar.

Es una técnica para equilibrar conjuntos de datos.

La normalización consiste en hacer que los datos sigan una distribución gaussiana, mientras que el escalado ajusta el rango de los datos.

El escalado implica convertir los datos a un rango entre 0 y 1, mientras que la normalización hace que los datos se centren en cero.

Tanto la normalización como el escalado ajustan el rango de datos entre 0 y 1.

Entrena el modelo en todo el conjunto de datos y luego lo prueba en el mismo conjunto de datos.

Divide el conjunto de datos en "k" particiones iguales y utiliza cada partición como conjunto de prueba, mientras que las partes restantes como conjunto de entrenamiento, iterando "k" veces.

Entrena el modelo una vez con un subconjunto aleatorio y lo prueba con los datos restantes.

Prueba el modelo "k" veces en el mismo conjunto de validación después de entrenarlo en todo el conjunto de datos.

La precisión es el número de verdaderos positivos dividido por el número de verdaderos positivos más los falsos negativos, mientras que la recuperación es el número de verdaderos positivos dividido por el número de verdaderos positivos más los falsos positivos.

La precisión mide el número de predicciones correctas, mientras que la recuperación mide el número de predicciones falsas.

La precisión se centra en la exactitud de las predicciones positivas, mientras que la recuperación se centra en capturar el mayor número posible de positivos.

Diferentes tipos de modelos para cada conjunto.

Modelos del mismo tipo para cada conjunto.

Exclusivamente para árboles de decisión.

Exclusivamente para redes neuronales poco profundas.

Construye múltiples árboles de decisión y promedia sus resultados.

Construye un único árbol de decisión con selección aleatoria de características.

Utiliza el azar para elegir la profundidad de un único árbol de decisión.

Impulsar

Embolsado

Apilado

Escala

Recomendar productos a los compradores en línea.

Filtrado de correo basura.

Diagnosticar una enfermedad rara y mortal.

Identificar anuncios adecuados para los usuarios en función de su historial de navegación.