FácilOpción múltiple

Pregunta de práctica de AI-900

Una empresa minorista tiene datos históricos sobre los clientes, incluidos la edad, el historial de compras y si se han dado de baja o no (sí/no). Quieren entrenar un modelo que prediga si un cliente nuevo se dará de baja. ¿Qué tipo de machine learning deben utilizar?

Elige la mejor respuesta.

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.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Regresión supervisada

La regresión predice un valor numérico continuo, mientras que la baja es una etiqueta binaria de sí/no. Sería correcta para pronosticar el gasto o el valor del tiempo de vida del cliente, pero se requiere clasificación para asignar a los clientes a categorías de dados de baja o retenidos.

B

Correcta

Clasificación supervisada

La etiqueta de baja es binaria (sí/no) y los registros históricos ya contienen resultados conocidos, por lo que el modelo aprende un mapeo desde características como la edad y el historial de compras hacia esa etiqueta. Esto es clasificación supervisada, no agrupamiento ni regresión.

C

Incorrecta

Agrupamiento no supervisado

El agrupamiento agrupa datos no etiquetados por similitud y descubre estructuras sin clases predefinidas. El conjunto de datos ya contiene etiquetas de baja conocidas, por lo que se necesita un algoritmo de clasificación supervisada; el agrupamiento se adaptaría a la segmentación de clientes cuando no existe un campo de resultado.

D

Incorrecta

Aprendizaje por refuerzo

El aprendizaje por refuerzo aprende de señales de recompensa a través de la interacción de prueba y error, no de registros históricos de bajas etiquetados. Se adapta a problemas de decisión secuenciales como la robótica o la ejecución de juegos, donde un agente optimiza las acciones a lo largo del tiempo en lugar de clasificar ejemplos existentes.

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.