Fundamentos de machine learning

Test

Jugadas 23

Crear copia

Sobre esta actividad

ML, Modelos, etc

Creada por

Matías Molins

Chile

Descarga la versión para jugar en papel

Top 10 resultados

#	Jugador	Acierto	tiempo
1	Don wea 13 de Junio de 2025	% 100	01:57
2	Matías Molins 13 de Junio de 2025	% 80	03:58
3	Withex 13 de Junio de 2025	% 67	03:18

¿Quieres aparecer en el Top 10 de este juego? Inicia sesión para identificarte.

Crea tu propio juego gratis desde nuestro creador de juegos

Compite contra tus amigos para ver quien consigue la mejor puntuación en esta actividad

Crear reto

Tipos de sintagmas (II)

idoia rubio

España

(945)

Actividades interactivas para reconocer los distintos tipos de sintagmas
Verbos irregulares en Inglés

Hélmer González Serrano

Colombia

(312)

Se presentan 10 preguntas, cada una con 4 opciones de respuesta. Seleccione la que considere correcta.
cuanto sabes de Futbol

hugo estay

Chile

(318)

este test esta basado en las diapositivas que pudimos ver con anterioridad, consta de 10 preguntas las cuales tienen alternativas para poder resolverlas.
Cultura general española

Ernest Serret

España

(100)

Responde las siguientes preguntas
Brawl stars preguntas

Carlos Andrés Prieto Rodríguez

Colombia

(164)

Completa todas las preguntas

		%
	Anónimo	%
		%
		%

Imprime tu juego

Fundamentos de machine learning


Fundamentos de machine learningVersión en línea ML, Modelos, etc por Matías Molins 1 ¿Cuál de los siguientes supuestos es fundamental en la regresión lineal? a Normalidad de las variables independientes b Linealidad entre las variables independientes y la dependiente c Independencia entre las variables independientes d Normalidad de los predictores 2 ¿Qué mide el coeficiente de determinación R²? a La pendiente del modelo b El grado de correlación lineal entre dos variables c La proporción de varianza explicada por el modelo d La significancia estadística del intercepto 3 En un árbol de regresión, ¿cuál es el criterio más común para dividir los nodos? a Gini b Entropía c Reducción de varianza d AUC 4 ¿Cuál de los siguientes no es un hiperparámetro típico de un modelo Random Forest de regresión? a Número de árboles b Profundidad máxima del árbol c Tasa de aprendizaje d Número de variables seleccionadas por división 5 ¿Qué función de pérdida es usada normalmente en regresión SVM? a Hinge loss b Cross-entropy c Epsilon-insensitive loss d Log loss 6 Cuál de los siguientes métodos es un ejemplo de ensamble por bagging? a AdaBoost b Random Forest c Ridge Regression d Gradient Boosting 7 ¿Qué ocurre cuando se aumenta el número de árboles en un Random Forest? a Se reduce el overfitting b Se incrementa la varianza c El modelo se vuelve más interpretable d La precisión decrece 8 ¿Cuál es el objetivo del método de boosting? a Reducir la varianza del modelo b Reducir el sesgo del modelo c Aumentar el número de muestras d Aumentar el número de variables 9 En regresión lineal múltiple, un coeficiente con p-valor alto indica que: a La variable tiene un fuerte efecto sobre la variable dependiente b La variable es estadísticamente significativa c No hay evidencia suficiente para decir que la variable afecta la salida d El modelo tiene multicolinealidad 10 ¿Cuál es la principal diferencia entre un árbol de regresión y un árbol de clasificación? a Uno usa la entropía y el otro el Gin b Uno predice valores continuos y otro clases c Uno puede usar redes neuronales y otro no d Ninguna 11 ¿Qué es el epsilon en SVM para regresión? a Un parámetro de regularización b Un margen de tolerancia donde no se penaliza el error c La tasa de aprendizaje d El número de iteraciones 12 ¿Cuál de los siguientes es un beneficio de usar ensambles? a Mayor sesgo b Menor precisión c Reducción de varianza d Menor interpretabilidad 13 ¿Qué significa que un modelo tenga alta varianza? a Es muy preciso b Se sobreajusta a los datos de entrenamiento c Tiene bajo sesgo d Tiene baja capacidad predictiva 14 En el contexto de modelos de regresión, el término "regularización" se refiere a: a La maximización de la varianza explicada b El número de árboles usados c El proceso de normalizar las variables d Un método para reducir el overfitting 15 ¿Qué técnica de ensamble construye modelos secuencialmente? a Boosting b Voting c Bagging d Random Forest

Puedes integrar el juego en un LMS compatible con LTI 1.1 o LTI 1.3 como Canvas, Moodle, o Blackboard. De esta manera podrás guardar las puntuaciones automáticamente en el libro de calificaciones de esa plataforma.

Fundamentos de machine learning

Test

Sobre esta actividad

Creada por

Descarga la versión para jugar en papel

Top juegos

Test

Tipos de sintagmas (II)

Test

Verbos irregulares en Inglés

Test

cuanto sabes de Futbol

Test

Cultura general española

Test

Brawl stars preguntas

Fundamentos de machine learningVersión en línea

por Matías Molins

¿Cuál de los siguientes supuestos es fundamental en la regresión lineal?

¿Qué mide el coeficiente de determinación R²?

En un árbol de regresión, ¿cuál es el criterio más común para dividir los nodos?

¿Cuál de los siguientes no es un hiperparámetro típico de un modelo Random Forest de regresión?

¿Qué función de pérdida es usada normalmente en regresión SVM?

Cuál de los siguientes métodos es un ejemplo de ensamble por bagging?

¿Qué ocurre cuando se aumenta el número de árboles en un Random Forest?

¿Cuál es el objetivo del método de boosting?

En regresión lineal múltiple, un coeficiente con p-valor alto indica que:

¿Cuál es la principal diferencia entre un árbol de regresión y un árbol de clasificación?

¿Qué es el epsilon en SVM para regresión?

¿Cuál de los siguientes es un beneficio de usar ensambles?

¿Qué significa que un modelo tenga alta varianza?

En el contexto de modelos de regresión, el término "regularización" se refiere a:

¿Qué técnica de ensamble construye modelos secuencialmente?