Comentarios sobre los errores más comunes en los ejercicios de examen de Sep-2020

Algoritmo Eliminación de Candidatos (Espacio de Versiones)

1. Se suele fallar en la obtención del espacio de versiones cuando G≠S. Ver ejemplo de
obtención del espacio de versiones en el ejemplo resuelto por el equipo docente sobre
este algoritmo y descargable desde el curso virtual.

Algoritmo AQ

1. En algunos casos no se muestra el recubrimiento final (último paso al procesar un

ejemplo dado). En otros, se muestra un recubrimiento formado por más de un
complejo (esto último es un error, dado que el recubrimiento obtenido al procesar
cada ejemplo sólo debe contener al mejor complejo de la estrella obtenida)

Algoritmo FOIL

1. En este tipo de ejercicios, a veces se muestra más información de la pedida (esto no

penaliza, pero resta tiempo para el resto del examen).
2. Abundan los errores al obtener E(L+) y E(L-) cuando L es el literal definido por
“Conectado(B,A)”

Árboles de decisión

1. En aquellos casos en que se pedía que se respondiera sin realizar ningún cálculo
numérico, hay alumnos que lo han desarrollado numéricamente. Esto no penaliza la
valoración del ejercicio, pero resta tiempo para el resto del examen.

Árboles de regresión

1. Se puntúa mínimamente la mera explicación descriptiva de cómo resolver un

problema de este tipo. La calificación máxima implica desarrollarlo numéricamente, de
forma correcta e indicando los distintos pasos que implica el algoritmo.

Algoritmo k-NN

1. Se puntúa mínimamente la mera explicación descriptiva de cómo resolver un

problema de este tipo. La calificación máxima implica desarrollarlo numéricamente, de
forma correcta e indicando los distintos pasos que implica el algoritmo.
2. Se suelen cometer errores cuando la clasificación del ejemplo de clasificación
desconocida hay que realizarlo ponderando por el valor de similitud (ver texto base o
FAQ del curso virtual dedicada a este algoritmo).

Algoritmo Naïve-Bayes

1. No se puede dar por válida la obtención de una probabilidad condicionada asociada a

un atributo numérico de valor cero. En este caso, hay que aplicar una etapa de
posprocesado (ver texto base o ejemplo resuelto por el equipo docente y descargable
desde el curso virtual)
 2. Respecto al cálculo de probabilidades asociadas a los atributos discretos, hay que
tener en cuenta que, dada la clase, la suma de probabilidades obtenidas para cada
valor del atributo tiene que ser siempre igual a 1.
3. Hay alumnos que en algunos ejercicios de este tipo calculan más cosas de las pedidas.
Esto no penaliza, pero resta tiempo para realizar el resto del examen.
4. En aquellos casos en que se pide evaluar el modelo aprendido en una instancia de
clasificación desconocida, hay que tener en cuenta que en el cálculo de la pseudo-
probabilidad de cada clase interviene siempre la probabilidad a priori de dicha clase.

Algoritmo k-medias

1. Se valora mínimamente este tipo de ejercicios cuando se resuelven sin justificar las
decisiones tomadas para decidir los ejemplos que pertenecen a cada clúster. No vale
basar el desarrollo en una representación gráfica de los ejemplos.
2. En otros casos, se olvida incluir los centroides asociados a la nueva asignación de
ejemplos a los centroides. Esto constituye el último paso de cada iteración.

RNAs y Mapas Auto-organizativos

1. Las respuestas a estas preguntas se pueden consultar o inferir de la información

proporcionada en el texto base.

Sobre cálculos de medias/desviaciones

En un problema de examen, cuando se calculan medias, desviaciones ... es suficiente con

poner la etiqueta de la variable que se está calculando (usando la calculadora no programable)
y su valor correspondiente. Esto ya se indica tanto en la FAQ dedicada a Naive-Bayes como en
la dedicada a Árboles de Regresión. El hacer estos cálculos de forma manual consumen un
tiempo precioso en la realización del examen.