MediaOpción múltiple

Pregunta de práctica de AI-900

¿Qué es la 'ingeniería de características' (feature engineering) y por qué es importante para los modelos de aprendizaje automático?

Elige la mejor respuesta.

Respuesta correcta

  • BCreación y transformación de variables de entrada utilizando el conocimiento del dominio para mejorar el rendimiento del modelo

Explicación

La ingeniería de características es el proceso de crear nuevas variables de entrada o transformar las existentes utilizando el conocimiento del dominio para ayudar a los modelos de aprendizaje automático a capturar mejor los patrones en los datos. Impacta directamente en el rendimiento del modelo al hacer que las relaciones subyacentes sean más explícitas, reducir el ruido y permitir que los algoritmos aprendan de manera más efectiva. En Azure Machine Learning, esto a menudo se realiza a través de herramientas de ingeniería de características automatizadas o scripts de Python personalizados dentro de canalizaciones.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Construcción de características de infraestructura física (clústeres de GPU) para el entrenamiento de modelos

Los clústeres de GPU son hardware de entrenamiento físico, mientras que la ingeniería de características manipula columnas de datos como el escalado, la codificación o la derivación de proporciones. El aprovisionamiento de hardware es tentador porque la infraestructura de entrenamiento importa, pero aborda la capacidad de cálculo, no el contenido informativo o la calidad de las entradas del modelo.

B

Correcta

Creación y transformación de variables de entrada utilizando el conocimiento del dominio para mejorar el rendimiento del modelo

La ingeniería de características crea y transforma variables de entrada, utilizando el conocimiento del dominio para exponer patrones que un conjunto de datos bruto oculta (escalado, codificación, combinación de campos). Las entradas mejor representadas permiten que el algoritmo aprenda relaciones más precisas, mejorando directamente el rendimiento del modelo.

C

Incorrecta

El proceso de seleccionar qué algoritmo de aprendizaje automático utilizar para una tarea

La selección de algoritmos es el entrenamiento de modelos, no la ingeniería de características, que transforma datos brutos en variables de entrada informativas. Elegir un algoritmo es tentador porque también da forma al rendimiento del modelo, pero ocurre después de que existen las características y no crea ni refina los predictores que consume el modelo.

D

Incorrecta

Adición de nuevos nodos de computación a un clúster de entrenamiento para acelerar el entrenamiento

Agregar nodos de cómputo es el escalado horizontal de la infraestructura de entrenamiento, no la ingeniería de características, que deriva o transforma variables de entrada. El escalado es tentador porque también mejora los resultados del modelo, pero cambia el rendimiento y el tiempo de entrenamiento en lugar de la representación de los datos alimentados al algoritmo.

Para profundizar

La ingeniería de características es la práctica de utilizar el conocimiento del dominio para seleccionar, crear y transformar variables de entrada brutas en representaciones que faciliten el aprendizaje de patrones por parte de un modelo. Incluye técnicas como la codificación one-hot de variables categóricas, la discretización (binning) de valores continuos, la normalización o estandarización de rangos numéricos, la extracción de partes de fechas como el día de la semana, el cálculo de proporciones o agregados y el manejo de valores faltantes. La calidad y relevancia de las características a menudo influyen en la precisión del modelo más que la elección del algoritmo, porque un modelo solo puede aprender de la señal presente en sus entradas. Un comportamiento sutil es la fuga de datos (data leakage), donde una característica derivada utilizando información futura infla la precisión de validación pero falla en producción. Un escenario realista es un modelo de abandono (churn) donde las marcas de tiempo brutas del último inicio de sesión se convierten en días desde el último inicio de sesión, una característica que captura directamente el compromiso y mejora el rendimiento predictivo.

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.