DifícilSelección múltiple

Pregunta de práctica de AIF-C01

¿Cuáles DOS de las siguientes son mejores prácticas para preparar datos de entrenamiento para un modelo de machine learning?

Elige todas las respuestas correctas.

Respuestas correctas

  • AManejar los valores faltantes imputándolos o eliminándolos.
  • BDividir los datos en conjuntos de entrenamiento, validación y prueba.

Explicación

Los valores faltantes pueden sesgar o romper muchos algoritmos de ML, por lo que la mejor práctica es abordarlos explícitamente, ya sea mediante imputación (por ejemplo, media, mediana, moda o basada en modelos) o eliminando las filas o columnas afectadas cuando sea apropiado. Dividir los datos en conjuntos de entrenamiento, validación y prueba permite un ajuste imparcial del modelo, el ajuste de hiperparámetros y la estimación final del rendimiento, previniendo la fuga de datos y el sobreajuste. Eliminar todos los valores atípicos no es una mejor práctica porque pueden ser una señal legítima; eliminarlos a ciegas puede distorsionar la distribución y reducir la robustez, por lo que deben investigarse y manejarse según el contexto. Entrenar con todo el conjunto de datos no es una mejor práctica porque no deja datos reservados para validación o prueba, haciendo imposible estimar de manera confiable la generalización. No barajar los datos no es una mejor práctica porque normalmente se necesita barajar para eliminar el sesgo de orden y asegurar lotes pequeños representativos, especialmente cuando los datos están ordenados por clase o tiempo.

Por qué cada opción es correcta o incorrecta

A

Correcta

Manejar los valores faltantes imputándolos o eliminándolos.

Los valores faltantes rompen muchos algoritmos y sesgan las estimaciones, por lo que imputar sustitutos sensatos o eliminar las filas afectadas previene errores y un aprendizaje sesgado. Este es un paso de preparación estándar que asegura que el conjunto de entrenamiento esté completo y sea representativo antes del ajuste del modelo.

B

Correcta

Dividir los datos en conjuntos de entrenamiento, validación y prueba.

Reservar particiones de validación y prueba permite ajustar hiperparámetros y estimar la generalización en datos que el modelo nunca vio, protegiendo contra el sobreajuste. Entrenar con el conjunto de datos completo sin divisiones inflaría la precisión reportada y ocultaría un pobre rendimiento en el mundo real.

C

Incorrecta

Eliminar todos los valores atípicos para mejorar la robustez del modelo.

Los valores atípicos frecuentemente representan casos genuinos de fraude o fallas, por lo que eliminarlos elimina exactamente la señal que un modelo financiero debe detectar. Eliminarlos es tentador porque los valores extremos distorsionan las medias y las distancias, y solo es válido cuando un valor atípico es una medición confirmada o un error de entrada en lugar de un evento real.

D

Incorrecta

Usar todo el conjunto de datos para el entrenamiento para maximizar el uso de datos.

Reservar una división de validación o prueba es lo que expone el sobreajuste; entrenar con cada registro no deja datos no vistos para estimar el error de generalización. Usar el conjunto de datos completo es tentador porque más muestras a menudo ayudan, y solo es legítimo después de que los hiperparámetros se congelan, al reajustar con todos los datos antes del despliegue.

E

Incorrecta

Evitar barajar los datos para preservar el orden original.

Barajar rompe cualquier correlación de orden entre muestras consecutivas, por lo que un modelo entrenado con datos ordenados puede aprender artefactos de secuencia en lugar del patrón subyacente. Preservar el orden es tentador para series temporales o datos secuenciales, donde las divisiones cronológicas importan, pero aun así barajar dentro de cada división es estándar.

Para profundizar

Preparar bien los datos de entrenamiento implica manejar los valores faltantes imputándolos o eliminándolos y dividiendo los datos en conjuntos de entrenamiento, validación y prueba. Los valores faltantes pueden sesgar un modelo si se dejan tal cual, y las opciones de imputación como la media, la mediana o los métodos basados en modelos afectan las distribuciones aprendidas. La división en entrenamiento, validación y prueba permite ajustar hiperparámetros en los datos de validación y estimar la generalización en datos de prueba reservados, reduciendo el sobreajuste. Un detalle sutil: eliminar todos los valores atípicos no siempre es correcto porque pueden representar eventos raros genuinos que el modelo debe aprender, y usar todo el conjunto de datos para el entrenamiento no deja ninguna evaluación imparcial. Esto importa en el ML en producción donde la fuga o las divisiones no representativas hacen que los modelos funcionen bien sin conexión pero fallen con tráfico real.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AIF-C01 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.