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.

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.

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 %.

 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