Click here to view the next lesson.

Cuestionario Parte 2: Integración con Scikit-Learn para la Construcción de Modelos

Respuestas

B) Los pipelines aseguran que las transformaciones se apliquen consistentemente tanto a los datos de entrenamiento como de prueba.
B) Combinar múltiples transformaciones aplicadas en paralelo en un solo conjunto de datos.
B) Una técnica para seleccionar las características más importantes eliminando recursivamente las menos relevantes.
C) Cuando el conjunto de datos tiene un desequilibrio significativo de clases.
C) Genera muestras sintéticas interpolando entre muestras existentes de la clase minoritaria.
B) Validación Cruzada con División por Series Temporales (Time-Series Split)
B) La precisión no tiene en cuenta el sesgo del modelo hacia la clase mayoritaria.
B) Puntaje F1 (F1 Score)
B) SMOTE puede aplicarse en cada partición de validación cruzada utilizando un pipeline para equilibrar las clases en cada partición.
B) Para asegurar que los pasos de ingeniería de características se apliquen consistentemente tanto en los datos de entrenamiento como de prueba.

B) Los pipelines aseguran que las transformaciones se apliquen consistentemente tanto a los datos de entrenamiento como de prueba.
B) Combinar múltiples transformaciones aplicadas en paralelo en un solo conjunto de datos.
B) Una técnica para seleccionar las características más importantes eliminando recursivamente las menos relevantes.
C) Cuando el conjunto de datos tiene un desequilibrio significativo de clases.
C) Genera muestras sintéticas interpolando entre muestras existentes de la clase minoritaria.
B) Validación Cruzada con División por Series Temporales (Time-Series Split)
B) La precisión no tiene en cuenta el sesgo del modelo hacia la clase mayoritaria.
B) Puntaje F1 (F1 Score)
B) SMOTE puede aplicarse en cada partición de validación cruzada utilizando un pipeline para equilibrar las clases en cada partición.
B) Para asegurar que los pasos de ingeniería de características se apliquen consistentemente tanto en los datos de entrenamiento como de prueba.

B) Los pipelines aseguran que las transformaciones se apliquen consistentemente tanto a los datos de entrenamiento como de prueba.
B) Combinar múltiples transformaciones aplicadas en paralelo en un solo conjunto de datos.
B) Una técnica para seleccionar las características más importantes eliminando recursivamente las menos relevantes.
C) Cuando el conjunto de datos tiene un desequilibrio significativo de clases.
C) Genera muestras sintéticas interpolando entre muestras existentes de la clase minoritaria.
B) Validación Cruzada con División por Series Temporales (Time-Series Split)
B) La precisión no tiene en cuenta el sesgo del modelo hacia la clase mayoritaria.
B) Puntaje F1 (F1 Score)
B) SMOTE puede aplicarse en cada partición de validación cruzada utilizando un pipeline para equilibrar las clases en cada partición.
B) Para asegurar que los pasos de ingeniería de características se apliquen consistentemente tanto en los datos de entrenamiento como de prueba.

B) Los pipelines aseguran que las transformaciones se apliquen consistentemente tanto a los datos de entrenamiento como de prueba.
B) Combinar múltiples transformaciones aplicadas en paralelo en un solo conjunto de datos.
B) Una técnica para seleccionar las características más importantes eliminando recursivamente las menos relevantes.
C) Cuando el conjunto de datos tiene un desequilibrio significativo de clases.
C) Genera muestras sintéticas interpolando entre muestras existentes de la clase minoritaria.
B) Validación Cruzada con División por Series Temporales (Time-Series Split)
B) La precisión no tiene en cuenta el sesgo del modelo hacia la clase mayoritaria.
B) Puntaje F1 (F1 Score)
B) SMOTE puede aplicarse en cada partición de validación cruzada utilizando un pipeline para equilibrar las clases en cada partición.
B) Para asegurar que los pasos de ingeniería de características se apliquen consistentemente tanto en los datos de entrenamiento como de prueba.