Prueba de clasificadores ingenuos de Bayes

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

1. ¿Cuál es el supuesto central "ingenuo" en un clasificador Naive Bayes?
   • Las características son condicionalmente independientes dada la clase.
   • Las clases son igualmente probables.
   • Todas las características son continuas y normalmente distribuidas.
   • El conjunto de datos está perfectamente equilibrado.
2. ¿En qué teorema se basa Naive Bayes?
   • El teorema del límite central
   • Bayes’ theorem
   • La ley de los grandes números.
   • The Cauchy-Schwarz inequality
3. ¿Por qué las implementaciones suelen sumar probabilidades logarítmicas en lugar de multiplicar probabilidades brutas?
   • Para hacer el modelo no lineal
   • Para acelerar el entrenamiento a una sola pasada
   • Para evitar un desbordamiento numérico al multiplicar muchos números pequeños
   • Para hacer cumplir la independencia de funciones
4. ¿Qué problema resuelve el suavizado de Laplace (complemento)?
   • Equilibra el tamaño de las clases
   • Normaliza características continuas.
   • Elimina características correlacionadas.
   • Evita que una característica invisible fuerce una probabilidad de cero
5. ¿Qué variante de Naive Bayes es más natural para las funciones de recuento de palabras en los documentos?
   • Bayes ingenuo multinomial
   • Bayes ingenuo gaussiano
   • Bernoulli ingenuo Bayes
   • Bayes lineal ingenuo
6. Why might Naive Bayes be useful as a lightweight baseline?
   • Garantiza la mejor precisión en cualquier conjunto de datos.
   • Es rápido, interpretable y funciona bien con pocos datos.
   • Aprende automáticamente las interacciones entre funciones.
   • No requiere datos de entrenamiento
7. What distribution does Gaussian Naive Bayes assume for each feature within a class?
   • A uniform distribution over every possible value
   • A multinomial distribution over word counts
   • A Gaussian (normal) distribution
   • A distribution that is always exactly zero
8. Which feature representation fits Bernoulli Naive Bayes most naturally?
   • The number of times each word occurs
   • A continuous pixel intensity modeled by a normal curve
   • A sequence of audio frames
   • Whether each word is present or absent in a document