MediaOpción múltiple

Pregunta de práctica de AI-900

Un científico de datos está entrenando un modelo de regresión para predecir los precios de viviendas en Azure Machine Learning. El modelo utiliza características como los metros cuadrados, el número de habitaciones y la ubicación (código postal). El científico de datos nota que el modelo tiene un error muy bajo en los datos de entrenamiento pero un error alto en los datos de prueba. ¿Qué técnica debe aplicar el científico de datos durante el entrenamiento del modelo para reducir el sobreajuste penalizando los coeficientes grandes?

Elige la mejor respuesta.

Respuesta correcta

  • CUtilizar un algoritmo de regularización como Lasso (L1).

Explicación

La regularización Lasso (L1) añade una penalización igual al valor absoluto de la magnitud de los coeficientes, lo que puede reducir algunos coeficientes a cero, realizando efectivamente una selección de características y reduciendo el sobreajuste. Esto aborda directamente el problema de los coeficientes grandes que hacen que el modelo ajuste el ruido en los datos de entrenamiento, lo que lleva a un alto error de prueba.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Utilizar un conjunto de prueba más pequeño.

Reducir el conjunto de prueba disminuye la fiabilidad de la evaluación y deja intactos los coeficientes del modelo, por lo que el sobreajuste persiste. Es tentador porque un conjunto de reserva más pequeño parece cambiar el error informado, pero el requisito es una penalización sobre los coeficientes grandes; un conjunto de prueba más pequeño solo se justificaría cuando la recolección de datos está genuinamente limitada.

B

Incorrecta

Aplicar únicamente el escalado de características.

El escalado de características iguala los rangos de entrada para el descenso de gradiente pero no añade ningún término de penalización a la función de pérdida, por lo que las magnitudes de los coeficientes permanecen sin restricciones. Es tentador porque el escalado es un paso de preprocesamiento estándar, pero sería la opción correcta cuando las características difieren enormemente en escala y la convergencia es lenta, no cuando la varianza es alta.

C

Correcta

Utilizar un algoritmo de regularización como Lasso (L1).

Lasso añade una penalización L1 proporcional al valor absoluto de los coeficientes, reduciendo algunos a cero y restringiendo la complejidad del modelo. Esta penalización reduce el sobreajuste que causa un bajo error de entrenamiento pero un alto error de prueba en la regresión de precios de viviendas.

D

Incorrecta

Aumentar el número de épocas de entrenamiento.

Añadir épocas continúa ajustando el conjunto de entrenamiento, empeorando la brecha entre entrenamiento y prueba en lugar de reducir los coeficientes. Es tentador porque más iteraciones a menudo mejoran los modelos con subajuste, pero el escenario necesita regularización, la cual añade un término de penalización a la pérdida; las épocas serían la palanca correcta solo cuando tanto el error de entrenamiento como el de validación permanecen altos.

Para profundizar

El sobreajuste se manifiesta como una gran brecha entre un error de entrenamiento bajo y un error de prueba alto porque el modelo ha memorizado el ruido y las interacciones de características de alta varianza en lugar de la señal subyacente. La regresión Lasso añade una penalización L1 igual al valor absoluto de los coeficientes multiplicada por alfa, lo que reduce los coeficientes y lleva algunos exactamente a cero, realizando una selección implícita de características; esto reduce la varianza y a menudo mejora la generalización. Ridge utiliza una penalización L2 que reduce pero rara vez anula los coeficientes, mientras que Elastic Net combina ambas. En Azure Machine Learning, la fuerza de la penalización se ajusta como un hiperparámetro, comúnmente con HyperDrive explorando alfa sobre una división de validación. Un conjunto de prueba más pequeño o más épocas empeorarían el diagnóstico, y el escalado de características por sí solo no restringe la magnitud de los coeficientes.

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.