MediaOpción múltiple

Pregunta de práctica de DA0-002

Un equipo de análisis de salud está construyendo un modelo de clasificación para predecir la readmisión de pacientes dentro de los 30 días. El conjunto de datos contiene 10,000 registros con 30 características, incluyendo demografía, signos vitales, resultados de laboratorio e historial de medicamentos. La variable objetivo está desequilibrada: 85% sin readmisión, 15% con readmisión. El equipo utilizó regresión logística con configuraciones predeterminadas y logró una precisión del 85%, pero el modelo predijo 'sin readmisión' para todos los pacientes. El analista principal sospecha que el modelo no está aprendiendo debido al desequilibrio de clases. El equipo tiene tiempo para implementar una acción correctora antes de la próxima revisión del modelo. ¿Qué acción debe tomar el equipo?

Elige la mejor respuesta.

Respuesta correcta

  • BAplicar SMOTE para sobremuestrear la clase de readmisión

Explicación

SMOTE (Synthetic Minority Oversampling Technique) aborda directamente el desequilibrio de clases mediante la generación de muestras sintéticas para la clase minoritaria (readmisión). Esto obliga al modelo de regresión logística a aprender límites de decisión que separan las dos clases, en lugar de predecir por defecto la clase mayoritaria. Con un 85% de mayoría y un 15% de minoría, la precisión por sí sola es engañosa, y SMOTE es una técnica probada para mejorar la recuperación (recall) de la clase minoritaria.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Eliminar características con baja varianza para reducir el ruido

La eliminación de características de baja varianza aborda el ruido y la dimensionalidad, no el desequilibrio de clases de 85/15 que causa las predicciones totalmente negativas. Es tentador porque la selección de características es un paso de preprocesamiento estándar, y sería la acción correcta si características irrelevantes o casi constantes estuvieran degradando el rendimiento del modelo.

B

Correcta

Aplicar SMOTE para sobremuestrear la clase de readmisión

SMOTE sintetiza ejemplos de readmisión de la clase minoritaria, reequilibrando la división 85/15 para que la regresión logística ya no converja en la clase mayoritaria. Esto contrarresta directamente el desequilibrio que causa las predicciones totalmente negativas, abordando la restricción indicada en una acción correctora.

C

Incorrecta

Usar la precisión (accuracy) como métrica de evaluación para supervisar la mejora

La precisión es exactamente la métrica que ya está engañando al equipo: predecir la clase mayoritaria sola produce un 85%, por lo que supervisarla no puede revelar una mejor detección de la clase minoritaria. Es tentador porque la precisión es la salida de puntuación predeterminada, y sería apropiada para un conjunto de datos equilibrado donde las clases ocurren a tasas similares.

D

Incorrecta

Cambiar a un modelo de bosque aleatorio (random forest) con configuraciones predeterminadas

El bosque aleatorio con configuraciones predeterminadas sigue optimizando la impureza general, por lo que la clase mayoritaria del 85% domina y las predicciones siguen sesgadas hacia 'sin readmisión'. Es tentador porque los métodos de ensamblaje capturan interacciones de características no lineales, lo que ayudaría si el problema fuera la capacidad del modelo en lugar del desequilibrio de clases.

Para profundizar

Con un 85% de negativos, una regresión logística predeterminada puede minimizar la pérdida logarítmica (log loss) prediciendo la clase mayoritaria para cada fila, obteniendo una precisión del 85% mientras que la recuperación para las readmisiones es cero. SMOTE genera muestras minoritarias sintéticas interpolando entre un punto minoritario y sus k vecinos minoritarios más cercanos en el espacio de características, desplazando el límite de decisión para que el clasificador realmente aprenda los patrones de readmisión. Un detalle sutil: SMOTE debe aplicarse únicamente al pliegue de entrenamiento dentro de la validación cruzada, nunca antes de la división, o los puntos sintéticos se filtrarán en la validación e inflarán las puntuaciones. La precisión sigue siendo una métrica pobre aquí; la recuperación, F1 o AUC-PR reflejan mejor el rendimiento en la clase minoritaria.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de DA0-002 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.