MediaOpción múltiple

Pregunta de práctica de AI-900

Un científico de datos entrena un modelo de clasificación para predecir si un correo electrónico es spam o no. El modelo logra una precisión del 98% en el conjunto de prueba, pero al inspeccionarlo, clasifica todos los correos electrónicos como 'no spam' debido a que el conjunto de datos tiene un 95% de correos electrónicos que no son spam. ¿Cuál es el problema más probable?

Elige la mejor respuesta.

Respuesta correcta

  • CData imbalance

Explicación

El modelo logra una precisión del 98% simplemente prediciendo que todos los correos electrónicos son 'no spam', lo que refleja la clase mayoritaria del 95% en el conjunto de datos. Este es un síntoma clásico de desequilibrio de clases, donde el modelo aprende a explotar la distribución sesgada en lugar de aprender patrones significativos para distinguir el spam del contenido legítimo. En Azure Machine Learning, se utilizan técnicas como SMOTE o muestreo estratificado para mitigar este problema.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Overfitting

Overfitting ocurre cuando un modelo aprende demasiado bien los datos de entrenamiento y falla en generalizar, resultando típicamente en una gran brecha entre la precisión de entrenamiento y la de prueba. Aquí la precisión es sospechosamente alta en el conjunto de prueba, pero el modelo es trivial, no sobreajustado.

B

Incorrecta

Underfitting

Underfitting significa que el modelo no logra capturar los patrones de entrenamiento, produciendo una precisión deficiente en ambos conjuntos; aquí la precisión de entrenamiento es alta y las predicciones son constantes, lo que indica en su lugar un desequilibrio de clases. Underfitting sería el diagnóstico cuando un modelo es demasiado simple para aprender la señal subyacente.

C

Correcta

Data imbalance

Con un 95% de correos electrónicos que no son spam, un modelo que predice la clase mayoritaria obtiene una precisión del 95% sin detectar ningún spam. La distribución sesgada de clases permite que el modelo minimice la pérdida ignorando la clase minoritaria, por lo que la precisión engaña. El remuestreo o la ponderación de clases abordan este desequilibrio.

D

Incorrecta

Feature scaling error

Feature scaling afecta la velocidad de convergencia y a los algoritmos basados en distancias, no la decisión de predecir una clase para cada entrada; la clase mayoritaria del 95% impulsa ese comportamiento. Los errores de escala serían los culpables cuando las características en rangos enormemente diferentes distorsionan un modelo como k-NN o SVM.

Para profundizar

El desequilibrio de clases ocurre cuando una clase supera ampliamente a otra, por lo que un modelo puede lograr una alta precisión prediciendo siempre la clase mayoritaria. Con un 95% de contenido que no es spam, un clasificador trivial que etiqueta todo como no spam obtiene un 95% de precisión mientras detecta cero spam, que es exactamente el fallo descrito. La precisión resulta engañosa bajo el desequilibrio; métricas como la precisión (precision), la sensibilidad (recall), F1 y AUC-ROC en la clase minoritaria revelan el problema. Un comportamiento sutil que vale la pena conocer es que las técnicas de remuestreo como SMOTE, la ponderación de clases o el ajuste de umbrales pueden ayudar, pero deben aplicarse únicamente a los datos de entrenamiento para evitar fugas hacia la validación. Esto importa en la detección de fraudes, el diagnóstico médico y el filtrado de spam, donde la clase minoritaria suele ser la de verdadero interés.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AI-900 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.