Validación cruzada en IA

Froggy Jumps

Jugadas 9

Crear copia

Sobre esta actividad

Pruebas de IA con particionamiento

Creada por

San Pedro

México

Descarga la versión para jugar en papel

Top 10 resultados

#	Jugador	Acierto	tiempo
1	Equipo 4 11 de Mayo de 2026	% 90	02:03
2	Equipo 3 11 de Mayo de 2026	% 80	02:30
3	Sweetie Fox 5 de Mayo de 2026	% 60	01:13

¿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

El valle de los lobos

Marcos Signes

España

(109)

20 preguntas de este maravilloso libro
Salva a la Ranita

Melanie Rodriguez

Estados Unidos

(338)

Contesta las siguientes multiplicaciones correctamente para salvar a la ranita y evitar que caiga al agua, mucha suerte!
OPEN UP 6 UNIT 1 VOCABULARY

karen blixen

España

(101)

Repasamos el vocabulario de la unidad
Sabiduría animal

Educaplay Educational Resources

España

(15458)

Conviértete en un genio del Reino Animal
Quiz de Culpa mía película

Yamila Chavez

Argentina

(174)

Demuestra cuánto sabes sobre la película Culpa mía con este divertido quiz.


Froggy Jumps Validación cruzada en IAVersión en línea Pruebas de IA con particionamiento por San Pedro 1 ¿Qué describe la validación cruzada en IA? a Probar una vez con todo el conjunto b Ajustar hiperparámetros sin evaluación c Probar el modelo varias veces con diferentes particiones de datos 2 ¿Qué es la validación cruzada K-fold? a Usar solo una partición para entrenar b Probar con datos no vistos de otra dataset c Dividir los datos en K particiones y usar K-1 para entrenar 3 ¿Qué problema evita la validación cruzada bien aplicada? a Estimación más estable de generalización b Reducir el tamaño del conjunto de datos c Aumentar la complejidad del modelo 4 ¿Qué es el leakage en validación? a Uso de datos sintéticos para prueba b Datos faltantes en la prueba c Información de entrenamiento que filtra al conjunto de prueba 5 ¿Qué variante usa un conjunto de prueba para cada muestra? a Leave-One-Out cross-validation b K-fold cross-validation c Bootstrap cross-validation 6 ¿Qué es una validación estratificada? a Aumentar la tasa de aprendizaje b Reducir el tamaño del conjunto de entrenamiento c Mantener la misma distribución de clases en train y test 7 ¿Qué se busca evitar al usar validación cruzada? a La diversidad de datos b La normalización de características c La sobreoptimización o sobreajuste a un conjunto 8 ¿Qué resultado proporciona la validación cruzada repetida? a Mayor sesgo de selección b Menor variabilidad en métricas c Estimaciones más estables de rendimiento 9 ¿Qué se entiende por partición de datos en CV? a Dividir datos en conjuntos de entrenamiento y prueba de forma reiterada b Usar solo datos de prueba c Fusionar todos los datos para entrenar 10 ¿Qué métrica es típica en CV para clasificación? a Pérdida logística b Precisión o F1 dependiendo del caso c RMS de valores ausentes

Froggy Jumps

Validación cruzada en IAVersión en línea

Pruebas de IA con particionamiento

por San Pedro

¿Qué describe la validación cruzada en IA?

Probar una vez con todo el conjunto

Ajustar hiperparámetros sin evaluación

Probar el modelo varias veces con diferentes particiones de datos

¿Qué es la validación cruzada K-fold?

Usar solo una partición para entrenar

Probar con datos no vistos de otra dataset

Dividir los datos en K particiones y usar K-1 para entrenar

¿Qué problema evita la validación cruzada bien aplicada?

Estimación más estable de generalización

Reducir el tamaño del conjunto de datos

Aumentar la complejidad del modelo

¿Qué es el leakage en validación?

Uso de datos sintéticos para prueba

Datos faltantes en la prueba

Información de entrenamiento que filtra al conjunto de prueba

¿Qué variante usa un conjunto de prueba para cada muestra?

Leave-One-Out cross-validation

K-fold cross-validation

Bootstrap cross-validation

¿Qué es una validación estratificada?

Aumentar la tasa de aprendizaje

Reducir el tamaño del conjunto de entrenamiento

Mantener la misma distribución de clases en train y test

¿Qué se busca evitar al usar validación cruzada?

La diversidad de datos

La normalización de características

La sobreoptimización o sobreajuste a un conjunto

¿Qué resultado proporciona la validación cruzada repetida?

Mayor sesgo de selección

Menor variabilidad en métricas

Estimaciones más estables de rendimiento

¿Qué se entiende por partición de datos en CV?

Dividir datos en conjuntos de entrenamiento y prueba de forma reiterada

Usar solo datos de prueba

Fusionar todos los datos para entrenar

¿Qué métrica es típica en CV para clasificación?

Pérdida logística

Precisión o F1 dependiendo del caso

RMS de valores ausentes

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.

Validación cruzada en IA

Froggy Jumps

Sobre esta actividad

Creada por

Descarga la versión para jugar en papel

Top juegos

Froggy Jumps

El valle de los lobos

Froggy Jumps

Salva a la Ranita

Froggy Jumps

OPEN UP 6 UNIT 1 VOCABULARY

Froggy Jumps

Sabiduría animal

Froggy Jumps

Quiz de Culpa mía película

Froggy Jumps

Validación cruzada en IAVersión en línea

por San Pedro

¿Qué describe la validación cruzada en IA?

¿Qué es la validación cruzada K-fold?

¿Qué problema evita la validación cruzada bien aplicada?

¿Qué es el leakage en validación?

¿Qué variante usa un conjunto de prueba para cada muestra?

¿Qué es una validación estratificada?

¿Qué se busca evitar al usar validación cruzada?

¿Qué resultado proporciona la validación cruzada repetida?

¿Qué se entiende por partición de datos en CV?

¿Qué métrica es típica en CV para clasificación?

		%
	Anónimo	%
		%
		%