26/10/22, 11:19 Prueba de conocimientos - Training | Microsoft Learn

Ｒ Anterior Unidad 8 de 9 Ｓ Siguientes Ｔ

＂ 200 XP

Prueba de conocimientos
3 minutos

Responda a las siguientes preguntas para comprobar lo que ha aprendido.

1. Está usando Scikit-learn para entrenar un modelo de regresión a partir de un conjunto de datos
de ventas. Quiere poder evaluar el modelo para asegurar que predecirá con precisión con datos
nuevos. ¿Qué tiene que hacer?

Usar todos los datos para entrenar el modelo. Luego usar todos los

datos para evaluarlo.

＄ Eso es incorrecto. El entrenamiento y la evaluación del modelo con los

mismos datos no le indicarán si el modelo se generaliza bien.

Entrenar el modelo usando solo las columnas de características y,


luego, evaluarlo usando solo la columna de etiquetas.

Dividir los datos de forma aleatoria en dos subconjuntos. Usar un


subconjunto para entrenar el modelo y el otro para evaluarlo.

＂ Correcto. Una forma habitual de entrenar y evaluar modelos es retener

un conjunto de datos de evaluación al entrenar.

2. Ha creado un objeto de modelo mediante la clase LinearRegression de Scikit-learn. ¿Qué debe

hacer para entrenar el modelo?

Llamar al método predict() del objeto model, especificando la


característica de entrenamiento y las matrices de etiquetas.

Llamar al método fit() del objeto model, especificando la característica


de entrenamiento y las matrices de etiquetas.

＂ Correcto. Para entrenar un modelo, use el método fit().

Llamar al método score() del objeto model, especificando la

 característica de entrenamiento y las matrices de características de
prueba.

https://learn.microsoft.com/es-es/training/modules/train-evaluate-regression-models/8-knowledge-check 1/2
26/10/22, 11:19 Prueba de conocimientos - Training | Microsoft Learn

3. Entrena un modelo de regresión mediante Scikit-learn. Al evaluarlo con datos de prueba,

calcula que el modelo logra una métrica de R al cuadrado de 0,95. ¿Qué le indica esta métrica
sobre el modelo?

El modelo explica la mayor parte de la varianza entre los valores


predichos y los reales.

＂ Correcto. La métrica de R al cuadrado es una medida de cuánto de la

varianza se puede explicar por el modelo.

 El modelo tiene una precisión del 95 %.

＄ Eso es incorrecto. La métrica de R al cuadrado es una medida de cuánto

de la varianza se puede explicar por el modelo.

 En promedio, las predicciones son 0,95 mayores que los valores reales.

Siguiente unidad: Resumen

Continuar Ｔ

¿Qué tal lo estamos haciendo? Ｘ Ｘ Ｘ Ｘ Ｘ

https://learn.microsoft.com/es-es/training/modules/train-evaluate-regression-models/8-knowledge-check 2/2