ML Supervisado: Regresión
Regresión lineal, Ridge, Lasso, ElasticNet, métricas (MSE, RMSE, R²), overfitting, regularización
1¿Cuál es el objetivo principal de la regresión lineal?
¿Cuál es el objetivo principal de la regresión lineal?
Respuesta
La regresión lineal busca modelar la relación entre una variable dependiente (objetivo) y una o más variables independientes (features) encontrando la línea recta que minimiza la suma de errores al cuadrado. Esta técnica permite predecir valores continuos y constituye la base de muchos algoritmos más complejos.
2En la regresión lineal simple, ¿qué representa el coeficiente beta (β₁)?
En la regresión lineal simple, ¿qué representa el coeficiente beta (β₁)?
Respuesta
El coeficiente β₁ representa la pendiente de la recta de regresión, indicando cuánto cambia la variable objetivo por un aumento de una unidad en la variable independiente. Un β₁ positivo significa una relación positiva, mientras que un β₁ negativo indica una relación inversa entre variables.
3¿Qué método se utiliza para encontrar los coeficientes óptimos en la regresión lineal?
¿Qué método se utiliza para encontrar los coeficientes óptimos en la regresión lineal?
Respuesta
El método de mínimos cuadrados ordinarios (OLS) minimiza la suma de los cuadrados de los residuos, es decir, la diferencia entre los valores observados y predichos. Este enfoque proporciona una solución analítica cerrada y es el método estándar para estimar los parámetros de la regresión lineal.
¿Qué mide el coeficiente de determinación R² en regresión?
¿Cuál es la diferencia entre MSE (Mean Squared Error) y RMSE (Root Mean Squared Error)?
+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: Clasificación
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