Cuestionario vinculado a una guía · Medio Nivel

Desequilibrio de clases y prueba de remuestreo

Prueba cuándo volver a muestrear o ponderar clases raras, cómo surge la fuga de datos y qué métricas siguen siendo útiles en caso de desequilibrio de clases.

Rutas de guía relacionadasDesequilibrio de clases y remuestreo
Pregunta 1 de 8

¿Por qué la simple precisión es una métrica deficiente para un problema de clasificación altamente desequilibrado?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Por qué la simple precisión es una métrica deficiente para un problema de clasificación altamente desequilibrado?
    • Un modelo puede obtener una puntuación muy alta simplemente prediciendo siempre la clase mayoritaria.
    • La precisión no se puede calcular cuando las clases están desequilibradas
    • La precisión sólo funciona para la regresión
    • Requiere datos perfectamente equilibrados para definirse.
  2. ¿Qué hace SMOTE?
    • Elimina muestras de clase mayoritaria al azar
    • Genera muestras sintéticas de minorías interpolando entre vecinos.
    • Aumenta la tasa de aprendizaje para clases raras.
    • Convierte un problema de clasificación en regresión.
  3. ¿Qué enfoque maneja el desequilibrio SIN cambiar la cantidad de ejemplos de entrenamiento?
    • sobremuestreo aleatorio
    • Submuestreo de la mayoría
    • Ponderación de clase en la función de pérdida.
    • HERIDO
  4. ¿Cuál es un riesgo clave de aplicar sobremuestreo antes de dividir los datos en conjuntos de tren y prueba?
    • Hace que el entrenamiento sea más lento
    • Elimina la clase mayoritaria
    • Siempre causa desajuste
    • Los puntos minoritarios duplicados o sintéticos pueden filtrarse en el conjunto de pruebas, inflando las puntuaciones.
  5. ¿Cuál es la principal desventaja del submuestreo aleatorio?
    • Descarta datos de clase mayoritaria potencialmente útiles.
    • Crea datos falsos que pueden no ser realistas.
    • Solo funciona para datos de imagen.
    • Siempre aumenta el tiempo de entrenamiento.
  6. ¿Qué métrica es más apropiada para evaluar un modelo con datos positivos raros?
    • Precisión general
    • Puntuación AUC o F1 de recuperación de precisión
    • Error cuadrático medio
    • Número de épocas de entrenamiento
  7. What does adjusting the decision threshold after training change?
    • The number of features in the model
    • The class proportions in the training data
    • The trade-off between which examples are labeled positive and negative without changing the training examples
    • The model’s learned weights automatically
  8. Which metric does the guide name as an additional option for rare-positive classification?
    • Mean squared error only
    • BLEU score
    • Silhouette coefficient
    • Matthews Correlation Coefficient (MCC)