tema_2

Question 1

¿Qué es una Máquina de Vectores Soporte (SVM)?

Answer 1

Es un clasificador no paramétrico basado en funciones discriminantes lineales que busca encontrar un hiperplano óptimo para separar dos clases.

Question 2

¿Cómo se define el margen en un clasificador SVM?

Answer 2

Es la distancia entre el hiperplano de separación y los puntos más cercanos de cada clase, llamados vectores soporte.

Question 3

¿Qué problema soluciona el método Soft Margin en SVM?

Answer 3

Permite manejar datos que no son linealmente separables, introduciendo una variable de holgura para minimizar errores de predicción.

Question 4

¿Para qué se usa la técnica del kernel en SVM?

Answer 4

Se usa para transformar datos no separables linealmente en un espacio de mayor dimensión donde sí puedan separarse.

Question 5

¿Qué es el parámetro C en SVM?

Answer 5

Es un hiperparámetro que regula la penalización de los errores de clasificación y el ancho del margen.

Question 6

¿Cómo funciona el algoritmo Random Forest?

Answer 6

Combina múltiples árboles de decisión entrenados en subconjuntos aleatorios de datos para mejorar la precisión y reducir el sobreajuste.

Question 7

¿Cómo se diferencian Bagging y Boosting?

Answer 7

Bagging entrena clasificadores en paralelo con datos muestreados aleatoriamente, mientras que Boosting entrena secuencialmente, dando más peso a errores anteriores.

Question 8

¿Cuál es la principal ventaja de AdaBoost frente a otros algoritmos de clasificación?

Answer 8

Mejora la precisión combinando clasificadores débiles en una decisión final ponderada.

Question 9

¿SVM solo funciona con problemas de clasificación binaria? (Sí/No)

Answer 9

No, puede adaptarse a problemas multiclase con estrategias como One-vs-Rest.

Question 10

¿El hiperplano óptimo en SVM maximiza el margen entre clases? (Sí/No)

Answer 10

Sí.

Question 11

¿El parámetro C en SVM controla la rigidez del margen? (Sí/No)

Answer 11

Sí.

Question 12

¿El kernel lineal es el único disponible en SVM? (Sí/No)

Answer 12

No, también existen el polinomial, gaussiano y RBF, entre otros.

Question 13

¿El algoritmo Random Forest es un método de Bagging? (Sí/No)

Answer 13

Sí.

Question 14

¿AdaBoost entrena sus clasificadores en paralelo? (Sí/No)

Answer 14

No, lo hace de manera secuencial.

Question 15

¿Un valor alto de gamma en SVM con kernel RBF genera una frontera de decisión más curva? (Sí/No)

Answer 15

Sí.

Question 16

¿Bagging reduce la varianza de un modelo? (Sí/No)

Answer 16

Sí.

Question 17

En SVM, los puntos más cercanos al hiperplano se llaman ____.

Answer 17

vectores soporte.

Question 18

La función del kernel en SVM permite transformar los datos a un espacio de mayor ____.

Answer 18

dimensión.

Question 19

Un margen más ancho en SVM reduce el ____, pero puede aumentar el ____.

Answer 19

sobreajuste, error de clasificación.

Question 20

El algoritmo Random Forest usa múltiples ____ de decisión entrenados en subconjuntos de datos.

Answer 20

árboles.

Question 21

Boosting ajusta el peso de cada ____ en función de su precisión.

Answer 21

clasificador débil.

Question 22

AdaBoost pondera cada clasificador en función de su ____.

Answer 22

error de predicción.

Question 23

En Random Forest, el uso de diferentes subconjuntos de datos se conoce como ____.

Answer 23

bootstrapping.

Question 24

En Boosting, los clasificadores posteriores intentan corregir los errores de los ____.

Answer 24

anteriores.

Question 25

¿Cuál es el objetivo principal de SVM? A) Minimizar la distancia entre todas las clases B) Maximizar el margen entre clases C) Ajustar el hiperplano a la mayoría de los datos

Answer 25

B) Maximizar el margen entre clases

Question 26

¿Qué técnica usa Random Forest para seleccionar variables? A) Selección manual B) Selección automática en cada árbol C) Solo usa todas las variables

Answer 26

B) Selección automática en cada árbol

Question 27

¿Cómo se combinan las predicciones en Bagging? A) Promediando resultados B) Usando la técnica de Boosting C) Escogiendo el árbol más preciso

Answer 27

A) Promediando resultados

Question 28

¿Cuál es la diferencia clave de Boosting respecto a Bagging? A) Usa un solo clasificador B) Entrena modelos secuencialmente C) Solo funciona con árboles de decisión

Answer 28

B) Entrena modelos secuencialmente

Question 29

¿Qué problema soluciona el kernel en SVM? A) Datos no balanceados B) Separabilidad no lineal C) Sobreajuste en redes neuronales

Answer 29

B) Separabilidad no lineal

Question 30

¿Qué parámetro controla la influencia de cada clasificador en AdaBoost? A) Gamma B) Peso C) Lambda

Answer 30

B) Peso

Question 31

¿Qué tipo de modelos usa Random Forest? A) Redes neuronales B) Máquinas de vectores soporte C) Árboles de decisión

Answer 31

C) Árboles de decisión

Question 32

¿Cuál es un posible inconveniente de Boosting? A) Genera modelos débiles B) Es sensible al ruido C) No funciona en datos grandes

Answer 32

B) Es sensible al ruido

Question 33

Explica la diferencia entre Hard Margin y Soft Margin en SVM.

Answer 33

Hard Margin solo funciona con datos linealmente separables, mientras que Soft Margin permite errores en la clasificación.

Question 34

¿Cómo se combinan los modelos en Bagging?

Answer 34

Se entrenan múltiples modelos en subconjuntos aleatorios y sus predicciones se promedian.

Question 35

¿Qué ventajas ofrece Random Forest sobre un solo árbol de decisión?

Answer 35

Reduce el sobreajuste y mejora la generalización combinando múltiples árboles.

Question 36

Explica la relación entre el parámetro C y el sobreajuste en SVM.

Answer 36

Un C alto minimiza errores pero puede sobreajustar el modelo; un C bajo aumenta el margen pero puede subajustar.

Question 37

¿Cómo se evalúa la calidad de un modelo SVM?

Answer 37

Se usan métricas como la precisión, recall, F1-score y la curva ROC-AUC para medir el rendimiento del modelo.

Question 38

¿Por qué Random Forest reduce la varianza en comparación con un solo árbol de decisión?

Answer 38

Porque combina múltiples árboles entrenados en subconjuntos de datos, promediando sus resultados y reduciendo el impacto de datos atípicos.

Question 39

¿Qué diferencias existen entre el kernel lineal y el kernel RBF en SVM?

Answer 39

El kernel lineal es útil cuando los datos son separables linealmente, mientras que el kernel RBF permite modelar relaciones más complejas en espacios de mayor dimensión.

Question 40

¿Por qué AdaBoost es más sensible al ruido que Bagging?

Answer 40

Porque asigna mayor peso a los errores en cada iteración, lo que puede amplificar la influencia de valores atípicos en la clasificación.

Question 41

Explica cómo el parámetro gamma afecta el modelo SVM con kernel RBF.

Answer 41

Un gamma alto ajusta demasiado el modelo a los datos, mientras que un gamma bajo genera una frontera de decisión más suave.

Question 42

¿Cómo afecta el número de árboles en Random Forest a su desempeño?

Answer 42

Un número mayor de árboles mejora la estabilidad del modelo pero aumenta el costo computacional.

Question 43

Explica cómo se construye un modelo de Boosting paso a paso.

Answer 43

1) Se entrena un clasificador débil en los datos originales.

Question 44

¿Cómo influye la selección de atributos en Random Forest?

Answer 44

Cada árbol se entrena con un subconjunto aleatorio de atributos, lo que mejora la diversidad de los árboles y reduce la correlación entre ellos.

Question 45

Explica la diferencia entre regularización L1 y L2 en SVM.

Answer 45

L1 (Lasso) selecciona solo algunas características importantes, reduciendo otras a cero, mientras que L2 (Ridge) distribuye el peso entre todas las características sin eliminarlas completamente.

Question 46

¿Cómo afecta el número de clasificadores débiles en AdaBoost al rendimiento del modelo?

Answer 46

Un número bajo puede no capturar bien los patrones, mientras que un número alto puede llevar al sobreajuste. Se debe encontrar un balance adecuado.

Question 47

¿Por qué el parámetro C en SVM puede generar sobreajuste o subajuste?

Answer 47

Un C alto penaliza más los errores, forzando al modelo a ajustarse demasiado a los datos de entrenamiento (sobreajuste), mientras que un C bajo permite más errores, generando una mayor generalización (subajuste).

Question 48

Explica la importancia del "majority voting" en Random Forest.

Answer 48

Permite que la predicción final se base en la decisión de la mayoría de los árboles, lo que ayuda a suavizar errores individuales y mejorar la precisión del modelo.