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.
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.