ML Supervisado: Clasificación
Regresión logística, KNN, SVM, métricas (accuracy, precision, recall, F1, ROC-AUC), umbrales
1¿Cuál es el objetivo principal de un algoritmo de clasificación supervisada?
¿Cuál es el objetivo principal de un algoritmo de clasificación supervisada?
Respuesta
La clasificación supervisada busca predecir una categoría o clase (variable discreta) a partir de features de entrada, aprendiendo sobre datos etiquetados. A diferencia de la regresión que predice valores continuos, la clasificación asigna cada observación a una clase predefinida (binaria o multiclase).
2¿Qué función matemática utiliza la regresión logística para transformar predicciones en probabilidades?
¿Qué función matemática utiliza la regresión logística para transformar predicciones en probabilidades?
Respuesta
La función sigmoid (o logística) transforma cualquier valor real en una probabilidad entre 0 y 1. Se define como sigma(z) = 1/(1+e^(-z)). Esta función permite interpretar la salida como la probabilidad de pertenecer a la clase positiva.
3¿Qué representan los coeficientes en un modelo de regresión logística?
¿Qué representan los coeficientes en un modelo de regresión logística?
Respuesta
Los coeficientes de la regresión logística representan el cambio en log-odds para cada unidad de cambio en la feature correspondiente. Un coeficiente positivo aumenta la probabilidad de la clase positiva, mientras que un coeficiente negativo la disminuye. La exponencial del coeficiente da el odds ratio.
¿Cómo funciona el algoritmo K-Nearest Neighbors (KNN) para clasificación?
¿Cuál es el impacto de elegir el valor de k en el algoritmo KNN?
+21 preguntas de entrevista
Otros temas de entrevista Data Science & ML
Fundamentos de Python
Programación Orientada a Objetos en Python
Estructuras de datos en Python
Fundamentos de Git
Fundamentos de SQL
Fundamentos de NumPy
Fundamentos de Pandas
Jupyter & Google Colab
SQL Joins y consultas avanzadas
Pandas avanzado
Visualización con Matplotlib & Seaborn
Visualizaciones interactivas con Plotly
Estadística descriptiva
Estadística inferencial
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisado: Regresión
Árboles de Decisión y Ensembles
ML No Supervisado
Pipelines ML y Validación
Series Temporales y Pronóstico
Fundamentos de Deep Learning
TensorFlow & Keras
CNN y clasificación de imágenes
RNN y Secuencias
Transformers y Attention
NLP y Hugging Face
GenAI y LangChain
MLOps y Despliegue
Domina Data Science & ML para tu próxima entrevista
Accede a todas las preguntas, flashcards, tests técnicos, ejercicios de code review y simuladores de entrevista.
Empieza gratis