Quiz Parte 1: Aplicaciones Prácticas y Estudios de Caso

Este quiz abarca conceptos clave y técnicas discutidas en los Capítulos 1 y 2, con un enfoque en proyectos de análisis de datos del mundo real, segmentación de clientes e ingeniería de características para modelos predictivos.

1. ¿Cuál de los siguientes es un paso crítico inicial en cualquier proyecto de análisis de datos?

• A) Construir un modelo predictivo inmediatamente
• B) Comprensión y preparación de los datos
• C) Evaluar la precisión del modelo
• D) Seleccionar la variable objetivo después de entrenar el modelo

2. En el análisis de datos de salud, ¿por qué es importante calcular la frecuencia de visitas de un paciente para la predicción de abandono?

• A) Ayuda a identificar pacientes que prefieren consultas en línea.
• B) Una mayor frecuencia a menudo indica un fuerte compromiso con el proveedor de salud.
• C) Muestra el nivel de ingresos del paciente.
• D) Se utiliza únicamente con fines de facturación.

3. ¿Qué métrica se utiliza comúnmente para determinar el número óptimo de clusters en K-means clustering?

• A) R-cuadrado
• B) Error Absoluto Medio
• C) Método del Codo
• D) Prueba Chi-cuadrado

4. En datos de retail, ¿qué representa la característica "Valor Monetario"?

• A) El costo promedio de los productos en la tienda
• B) Los ingresos totales generados por la tienda
• C) El gasto promedio por transacción de cada cliente
• D) La tasa de descuento aplicada a cada compra

5. ¿Qué característica sería más útil para predecir el abandono de clientes en un entorno de salud?

• A) Edad promedio de los clientes
• B) Número de médicos en la instalación
• C) Tasa de Citas Perdidas
• D) Número total de medicamentos recetados

6. ¿Cuándo podría ocurrir una fuga de datos en un modelo predictivo?

• A) Cuando el conjunto de datos es demasiado pequeño
• B) Cuando información futura de la variable objetivo se incluye en las características
• C) Cuando se añaden características redundantes al modelo
• D) Cuando hay valores faltantes en el conjunto de datos

7. ¿Qué técnica de ingeniería de características implica identificar tendencias a lo largo del tiempo, como calcular cambios mensuales en el gasto?

• A) Escalado de Características
• B) Reducción de Dimensionalidad
• C) Cálculo de la Tendencia de Compra
• D) Codificación One-Hot

8. ¿Cómo podemos prevenir el sobreajuste al crear características para un modelo predictivo?

• A) Añadiendo tantas características como sea posible para capturar todos los patrones potenciales
• B) Usando validación cruzada y simplificando la complejidad de las características
• C) Evitando estandarizar las características
• D) Ignorando características redundantes

9. ¿Qué indica un puntaje de Silhouette alto en el clustering?

• A) Los clusters tienen un alto nivel de solapamiento
• B) Los clusters están bien separados y son cohesivos dentro de sí mismos
• C) La precisión del modelo es superior al 95%
• D) El conjunto de datos tiene una distribución normal

10. ¿Qué método usarías para evitar que el modelo capture ruido en los datos?

• A) Aplicar selección de características o técnicas de regularización
• B) Añadir características más complejas
• C) Usar una variable objetivo diferente
• D) Incrementar el número de clusters en K-means

Este quiz abarca conceptos clave y técnicas discutidas en los Capítulos 1 y 2, con un enfoque en proyectos de análisis de datos del mundo real, segmentación de clientes e ingeniería de características para modelos predictivos.

1. ¿Cuál de los siguientes es un paso crítico inicial en cualquier proyecto de análisis de datos?

• A) Construir un modelo predictivo inmediatamente
• B) Comprensión y preparación de los datos
• C) Evaluar la precisión del modelo
• D) Seleccionar la variable objetivo después de entrenar el modelo

2. En el análisis de datos de salud, ¿por qué es importante calcular la frecuencia de visitas de un paciente para la predicción de abandono?

• A) Ayuda a identificar pacientes que prefieren consultas en línea.
• B) Una mayor frecuencia a menudo indica un fuerte compromiso con el proveedor de salud.
• C) Muestra el nivel de ingresos del paciente.
• D) Se utiliza únicamente con fines de facturación.

3. ¿Qué métrica se utiliza comúnmente para determinar el número óptimo de clusters en K-means clustering?

• A) R-cuadrado
• B) Error Absoluto Medio
• C) Método del Codo
• D) Prueba Chi-cuadrado

4. En datos de retail, ¿qué representa la característica "Valor Monetario"?

• A) El costo promedio de los productos en la tienda
• B) Los ingresos totales generados por la tienda
• C) El gasto promedio por transacción de cada cliente
• D) La tasa de descuento aplicada a cada compra

5. ¿Qué característica sería más útil para predecir el abandono de clientes en un entorno de salud?

• A) Edad promedio de los clientes
• B) Número de médicos en la instalación
• C) Tasa de Citas Perdidas
• D) Número total de medicamentos recetados

6. ¿Cuándo podría ocurrir una fuga de datos en un modelo predictivo?

• A) Cuando el conjunto de datos es demasiado pequeño
• B) Cuando información futura de la variable objetivo se incluye en las características
• C) Cuando se añaden características redundantes al modelo
• D) Cuando hay valores faltantes en el conjunto de datos

7. ¿Qué técnica de ingeniería de características implica identificar tendencias a lo largo del tiempo, como calcular cambios mensuales en el gasto?

• A) Escalado de Características
• B) Reducción de Dimensionalidad
• C) Cálculo de la Tendencia de Compra
• D) Codificación One-Hot

8. ¿Cómo podemos prevenir el sobreajuste al crear características para un modelo predictivo?

• A) Añadiendo tantas características como sea posible para capturar todos los patrones potenciales
• B) Usando validación cruzada y simplificando la complejidad de las características
• C) Evitando estandarizar las características
• D) Ignorando características redundantes

9. ¿Qué indica un puntaje de Silhouette alto en el clustering?

• A) Los clusters tienen un alto nivel de solapamiento
• B) Los clusters están bien separados y son cohesivos dentro de sí mismos
• C) La precisión del modelo es superior al 95%
• D) El conjunto de datos tiene una distribución normal

10. ¿Qué método usarías para evitar que el modelo capture ruido en los datos?

• A) Aplicar selección de características o técnicas de regularización
• B) Añadir características más complejas
• C) Usar una variable objetivo diferente
• D) Incrementar el número de clusters en K-means

Este quiz abarca conceptos clave y técnicas discutidas en los Capítulos 1 y 2, con un enfoque en proyectos de análisis de datos del mundo real, segmentación de clientes e ingeniería de características para modelos predictivos.

1. ¿Cuál de los siguientes es un paso crítico inicial en cualquier proyecto de análisis de datos?

• A) Construir un modelo predictivo inmediatamente
• B) Comprensión y preparación de los datos
• C) Evaluar la precisión del modelo
• D) Seleccionar la variable objetivo después de entrenar el modelo

2. En el análisis de datos de salud, ¿por qué es importante calcular la frecuencia de visitas de un paciente para la predicción de abandono?

• A) Ayuda a identificar pacientes que prefieren consultas en línea.
• B) Una mayor frecuencia a menudo indica un fuerte compromiso con el proveedor de salud.
• C) Muestra el nivel de ingresos del paciente.
• D) Se utiliza únicamente con fines de facturación.

3. ¿Qué métrica se utiliza comúnmente para determinar el número óptimo de clusters en K-means clustering?

• A) R-cuadrado
• B) Error Absoluto Medio
• C) Método del Codo
• D) Prueba Chi-cuadrado

4. En datos de retail, ¿qué representa la característica "Valor Monetario"?

• A) El costo promedio de los productos en la tienda
• B) Los ingresos totales generados por la tienda
• C) El gasto promedio por transacción de cada cliente
• D) La tasa de descuento aplicada a cada compra

5. ¿Qué característica sería más útil para predecir el abandono de clientes en un entorno de salud?

• A) Edad promedio de los clientes
• B) Número de médicos en la instalación
• C) Tasa de Citas Perdidas
• D) Número total de medicamentos recetados

6. ¿Cuándo podría ocurrir una fuga de datos en un modelo predictivo?

• A) Cuando el conjunto de datos es demasiado pequeño
• B) Cuando información futura de la variable objetivo se incluye en las características
• C) Cuando se añaden características redundantes al modelo
• D) Cuando hay valores faltantes en el conjunto de datos

7. ¿Qué técnica de ingeniería de características implica identificar tendencias a lo largo del tiempo, como calcular cambios mensuales en el gasto?

• A) Escalado de Características
• B) Reducción de Dimensionalidad
• C) Cálculo de la Tendencia de Compra
• D) Codificación One-Hot

8. ¿Cómo podemos prevenir el sobreajuste al crear características para un modelo predictivo?

• A) Añadiendo tantas características como sea posible para capturar todos los patrones potenciales
• B) Usando validación cruzada y simplificando la complejidad de las características
• C) Evitando estandarizar las características
• D) Ignorando características redundantes

9. ¿Qué indica un puntaje de Silhouette alto en el clustering?

• A) Los clusters tienen un alto nivel de solapamiento
• B) Los clusters están bien separados y son cohesivos dentro de sí mismos
• C) La precisión del modelo es superior al 95%
• D) El conjunto de datos tiene una distribución normal

10. ¿Qué método usarías para evitar que el modelo capture ruido en los datos?

• A) Aplicar selección de características o técnicas de regularización
• B) Añadir características más complejas
• C) Usar una variable objetivo diferente
• D) Incrementar el número de clusters en K-means

Este quiz abarca conceptos clave y técnicas discutidas en los Capítulos 1 y 2, con un enfoque en proyectos de análisis de datos del mundo real, segmentación de clientes e ingeniería de características para modelos predictivos.

1. ¿Cuál de los siguientes es un paso crítico inicial en cualquier proyecto de análisis de datos?

• A) Construir un modelo predictivo inmediatamente
• B) Comprensión y preparación de los datos
• C) Evaluar la precisión del modelo
• D) Seleccionar la variable objetivo después de entrenar el modelo

2. En el análisis de datos de salud, ¿por qué es importante calcular la frecuencia de visitas de un paciente para la predicción de abandono?

• A) Ayuda a identificar pacientes que prefieren consultas en línea.
• B) Una mayor frecuencia a menudo indica un fuerte compromiso con el proveedor de salud.
• C) Muestra el nivel de ingresos del paciente.
• D) Se utiliza únicamente con fines de facturación.

3. ¿Qué métrica se utiliza comúnmente para determinar el número óptimo de clusters en K-means clustering?

• A) R-cuadrado
• B) Error Absoluto Medio
• C) Método del Codo
• D) Prueba Chi-cuadrado

4. En datos de retail, ¿qué representa la característica "Valor Monetario"?

• A) El costo promedio de los productos en la tienda
• B) Los ingresos totales generados por la tienda
• C) El gasto promedio por transacción de cada cliente
• D) La tasa de descuento aplicada a cada compra

5. ¿Qué característica sería más útil para predecir el abandono de clientes en un entorno de salud?

• A) Edad promedio de los clientes
• B) Número de médicos en la instalación
• C) Tasa de Citas Perdidas
• D) Número total de medicamentos recetados

6. ¿Cuándo podría ocurrir una fuga de datos en un modelo predictivo?

• A) Cuando el conjunto de datos es demasiado pequeño
• B) Cuando información futura de la variable objetivo se incluye en las características
• C) Cuando se añaden características redundantes al modelo
• D) Cuando hay valores faltantes en el conjunto de datos

7. ¿Qué técnica de ingeniería de características implica identificar tendencias a lo largo del tiempo, como calcular cambios mensuales en el gasto?

• A) Escalado de Características
• B) Reducción de Dimensionalidad
• C) Cálculo de la Tendencia de Compra
• D) Codificación One-Hot

8. ¿Cómo podemos prevenir el sobreajuste al crear características para un modelo predictivo?

• A) Añadiendo tantas características como sea posible para capturar todos los patrones potenciales
• B) Usando validación cruzada y simplificando la complejidad de las características
• C) Evitando estandarizar las características
• D) Ignorando características redundantes

9. ¿Qué indica un puntaje de Silhouette alto en el clustering?

• A) Los clusters tienen un alto nivel de solapamiento
• B) Los clusters están bien separados y son cohesivos dentro de sí mismos
• C) La precisión del modelo es superior al 95%
• D) El conjunto de datos tiene una distribución normal

10. ¿Qué método usarías para evitar que el modelo capture ruido en los datos?

• A) Aplicar selección de características o técnicas de regularización
• B) Añadir características más complejas
• C) Usar una variable objetivo diferente
• D) Incrementar el número de clusters en K-means