Respuesta correcta
- BClasificación supervisada
Explicación
El objetivo es predecir un resultado categórico (baja: sí/no) a partir de datos históricos etiquetados. Los algoritmos de clasificación supervisada, como la regresión logística o los árboles de decisión, aprenden de las características de entrada (edad, historial de compras) y la etiqueta de destino (estado de baja) para asignar nuevos clientes a una de las clases discretas. Esto coincide directamente con el requisito de un modelo de clasificación binaria.
Para profundizar
La predicción de bajas asigna características de entrada como la edad y el historial de compras a una etiqueta discreta, dado de baja o no, por lo que es una tarea de clasificación binaria. Internamente, algoritmos como la regresión logística o los árboles con gradient boosting aprenden un límite de decisión minimizando una pérdida como la entropía cruzada binaria, y luego aplican un umbral a una salida de probabilidad. Un detalle sutil que vale la pena conocer: la puntuación bruta es una probabilidad, y mover ese umbral intercambia la precisión por la recuperación, lo cual importa cuando los falsos negativos (clientes que se van y no se detectan) cuestan más que los falsos positivos. El desequilibrio de clases es común porque pocos clientes se van, por lo que se utilizan técnicas como la ponderación de clases o el remuestreo. En la práctica, un minorista puntúa a cada cliente activo todas las noches y deriva a los de alta probabilidad hacia ofertas de retención, supervisando métricas como el AUC en lugar de solo la precisión.
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.