Machine Learning / AI

¿Cuál es la diferencia entre regularización L1 y L2 en modelos lineales?

¿Cuál es la complejidad de la solución analítica de la regresión lineal y cuándo es inestable?

Explique la diferencia entre un árbol de decisiones y un bosque aleatorio.

En una muestra desequilibrada, el recall del modelo es del 100% y la precisión del 1%. ¿Qué ha pasado?

¿Qué es PCA (método de componentes principales)?

¿Qué sucede si el umbral de clasificación está demasiado bajo?

¿Qué es el criterio de Gini y cómo se utiliza en la construcción de árboles de decisión?

Describe cómo funciona el método de vectores de soporte (SVM) y su relación con los modelos lineales.

¿Puede explicar cómo se calcula exactamente el F1-score a través de precisión y recall?

¿Qué función de pérdida se utiliza en la regresión lineal?

¿Cómo afecta la profundidad del árbol a la calidad del modelo y su capacidad de generalización?

¿Puede explicar con más detalle qué son precisión y recall y cómo están relacionados con la puntuación F1?

¿Qué es la curva ROC y cómo se utiliza para evaluar clasificadores?

¿Por qué escalar las características y qué métodos de escalado existen?

¿Cómo se puede mejorar el rendimiento de un modelo lineal al trabajar con características categóricas?

¿Qué son recall y precision?

¿Cómo ayuda la métrica F1-score en tareas con clases desequilibradas?

¿Qué convierte la velocidad del modelo en una etiqueta de clase?

¿Puede explicar cómo se calcula exactamente el criterio de Gini y cómo afecta la elección de la división en un árbol de decisiones?

¿Por qué se puede obtener un ROC-AUC de 0.8 en un modelo con ROC-AUC de 0.2?