Tema3 Flashcards
(48 cards)
¿Cuál es la función principal del algoritmo de regresión lineal OLS?
Encontrar una combinación lineal de atributos que minimice el error cuadrático medio (MSE).
¿Cómo se interpreta el coeficiente w_1 en un modelo de regresión lineal simple?
Representa la pendiente de la recta, indicando el cambio en y por cada unidad de cambio en x.
¿Qué representa el coeficiente de determinación R^2 en regresión lineal?
Indica qué porcentaje de la variabilidad de la variable dependiente es explicado por el modelo.
¿Por qué es importante la tasa de aprendizaje en el descenso de gradiente?
Controla la magnitud de los cambios en los coeficientes para minimizar la función de costo.
¿Qué problemas pueden surgir si los atributos en regresión lineal no son independientes?
Puede producirse multicolinealidad, afectando la interpretabilidad y estabilidad del modelo.
¿Cómo afecta la normalización de los datos a KNN?
Mejora la precisión evitando que atributos con escalas mayores dominen el cálculo de distancias.
¿Cómo se seleccionan los vecinos más cercanos en KNN?
Se eligen en función de la menor distancia según una métrica definida, como Minkowski o Euclídea.
¿Por qué la selección de atributos es crucial en KNN?
Reduce la dimensionalidad del problema y mejora la eficiencia y precisión del modelo.
¿El algoritmo OLS minimiza la suma de errores absolutos? (Sí/No)
No, minimiza la suma de los errores al cuadrado.
¿El valor de R^2 puede ser negativo? (Sí/No)
Sí, indica que el modelo es peor que la predicción por media.
¿El descenso de gradiente garantiza encontrar el óptimo global en todos los casos? (Sí/No)
No, en problemas no convexos puede quedar atrapado en mínimos locales.
¿El modelo KNN requiere un proceso de entrenamiento complejo? (Sí/No)
No, solo almacena los datos de entrenamiento.
¿Un mayor valor de k en KNN siempre mejora la precisión? (Sí/No)
No, puede suavizar demasiado la predicción y perder precisión.
¿Qué función de distancia se usa más comúnmente en KNN?
La distancia Euclídea.
¿El modelo de regresión lineal es adecuado para datos con relaciones no lineales? (Sí/No)
No, suposiciones de linealidad limitan su eficacia en esos casos.
¿El algoritmo KNN puede utilizar pesos en la distancia para mejorar la precisión? (Sí/No)
Sí, los pesos pueden ajustar la influencia de cada vecino.
La función objetivo en OLS es minimizar el ____ de los errores.
cuadrado.
La tasa de aprendizaje en descenso de gradiente controla el ____ de los pasos en cada iteración.
tamaño.
En regresión lineal, el término w_0 representa la ____ de la recta.
intersección.
Si R^2=1, significa que el modelo tiene una ____ perfecta.
predicción.
KNN determina la clase o valor de una instancia basándose en sus ____ más cercanos.
vecinos.
La distancia de Minkowski se convierte en distancia Euclídea cuando p es ____.
2
La selección de atributos en regresión lineal evita el problema de la ____.
multicolinealidad.
En KNN, la normalización de los datos es crucial para evitar ____ de ciertos atributos.
dominancia.
