MediaOpción múltiple

Pregunta de práctica de AI-900

Un científico de datos tiene un conjunto de datos que contiene información sobre casas: tamaño (pies cuadrados), número de dormitorios, ubicación y el precio de venta real. El objetivo es entrenar un modelo que prediga el precio de una casa nueva en función de estas características. ¿Qué tipo de tarea de aprendizaje automático es esta?

Elige la mejor respuesta.

Respuesta correcta

  • BB) Regression

Explicación

Esta es una tarea de regresión porque el objetivo es predecir un valor numérico continuo (el precio de venta) en función de características de entrada. Los modelos de regresión aprenden la relación entre variables independientes (tamaño, dormitorios, ubicación) y una variable dependiente (precio) para generar un número real. En Azure Machine Learning, algoritmos de regresión como Linear Regression, Decision Forest Regression o Neural Network Regression serían apropiados para este escenario.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

A) Classification

Classification predice una categoría discreta, mientras que el precio de venta es un valor numérico continuo, por lo que el modelo debe minimizar el error de regresión. Classification se adapta a la predicción de una etiqueta como el estilo de casa o venta/no-venta. Predecir una cantidad es regression.

B

Correcta

B) Regression

Regression predice un valor numérico continuo, aquí el precio de venta, a partir de características etiquetadas como tamaño, dormitorios y ubicación. Debido a que la variable objetivo es cuantitativa en lugar de una clase discreta, regression satisface el requisito de aprendizaje supervisado en el enunciado, a diferencia de classification, que generaría categorías.

C

Incorrecta

C) Clustering

Clustering agrupa registros no etiquetados por similitud, descubriendo estructura sin una variable objetivo. El conjunto de datos incluye el precio de venta real, una etiqueta conocida para predecir. Clustering se adapta a tareas de segmentación como agrupar clientes por comportamiento de compra, donde no existe ninguna columna de resultados.

D

Incorrecta

D) Reinforcement Learning

Reinforcement learning aprende una política a partir de señales de recompensa mediante interacción de prueba y error con un entorno; el conjunto de datos proporciona ejemplos etiquetados sin ningún agente o recompensa. Se adapta a problemas de decisión secuenciales como jugar juegos o navegación de robots, no a predecir un precio continuo a partir de características fijas.

Para profundizar

La regresión predice un objetivo numérico continuo, por lo que el modelo aprende una función que mapea características como los pies cuadrados, el recuento de dormitorios y la ubicación codificada a un precio expresado en valor real, minimizando típicamente el error cuadrático medio. La clasificación en su lugar produce etiquetas de clase discretas, el agrupamiento agrupa datos no etiquetados sin un objetivo, y el aprendizaje por refuerzo optimiza las acciones mediante señales de recompensa. Una sutileza es que la regresión asume que la distribución del objetivo y la estructura del error importan: los precios sesgados a menudo justifican una transformación logarítmica, y la evaluación utiliza MAE, RMSE o R cuadrado en lugar de precisión. En la práctica, un modelo inmobiliario entrenado de esta manera también debe protegerse contra la extrapolación, ya que predecir precios para tamaños muy fuera del rango de entrenamiento produce resultados poco confiables, y la ubicación categórica necesita una codificación adecuada para evitar implicar una distancia ordinal entre vecindarios.

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.