Cuestionario del modelo de clasificación Naive Bayes

Integrantes: Stalyn Palma, Ulises Valencia, Klever Villalva

Fecha: 12/02/2023

Materia: Inteligencia Artificial

1. ¿Qué es Naive Bayes?

a) Un modelo de regresión
b) Un modelo de clasificación
c) Un modelo de clustering

2. ¿Cuál es el objetivo de Naive Bayes?

a) Aprender a partir de los datos de entrenamiento para hacer predicciones precisas sobre
nuevos datos.
b) Ajustar una curva a los datos para hacer predicciones precisas sobre nuevos datos.
c) Agrupar los datos en diferentes categorías sin supervisión.

3. ¿Qué supone Naive Bayes sobre la relación entre las características?

a) Las características son independientes entre sí.
b) Las características tienen una relación lineal entre sí.
c) Las características tienen una relación no lineal entre sí.

4. ¿Qué tipo de algoritmo es Naive Bayes?

a) Un algoritmo supervisado
b) Un algoritmo no supervisado
c) Ambos

5. ¿Cómo se calcula la probabilidad en Naive Bayes?

a) Usando la regla de Bayes
b) Usando la ecuación de una recta
c) Usando una función no lineal

6. ¿Qué se entiende por la "naivete" en Naive Bayes?

a) Supone que todas las características son igualmente importantes.
b) Supone que todas las características son independientes entre sí.
c) Supone que todas las características tienen una relación lineal entre sí.

7. ¿Qué tipo de datos puede manejar Naive Bayes?

a) Datos numéricos
b) Datos categóricos
c) Ambos
8. ¿Cómo se manejan las variables categóricas en Naive Bayes?
a) Se convierten en variables numéricas
b) Se utilizan directamente sin cambios
c) Se eliminan del modelo

9. ¿Cuál es el nombre de la versión más común de Naive Bayes utilizada para datos
categóricos?
a) Naive Bayes Gaussiano
b) Naive Bayes Bernoulli
c) Naive Bayes Multinomial

10. ¿Cuál es la ventaja de Naive Bayes sobre otros modelos de clasificación?

a) Puede manejar grandes conjuntos de datos.
b) Puede manejar datos categóricos y numéricos juntos.
c) Es más fácil de implementar y requiere menos datos para el entrenamiento.

11. ¿Qué se entiende por "sobreajuste" en Naive Bayes?

a) El modelo se ajusta demasiado a los datos de entrenamiento y no se generaliza bien a
nuevos datos.
b) El modelo no se ajusta lo suficiente a los datos de entrenamiento y pierde información
importante.
c) El modelo no es capaz de manejar todos los datos de entrenamiento.

12. ¿Cómo se puede evitar el sobreajuste en Naive Bayes?

a) Añadiendo más características al modelo.
b) Usando técnicas de regularización como el suavizado de Laplace.
c) Aumentando el tamaño del conjunto de datos de entrenamiento.

13. ¿Cómo se evalúa el rendimiento del modelo Naive Bayes?

a) A través de la precisión, recall y F1-score.
b) A través del error cuadrático medio.
c) A través del coeficiente de determinación (R-squared).

14. ¿Qué es la matriz de confusión en Naive Bayes?

a) Una tabla que muestra los resultados de clasificación del modelo.
b) Una tabla que muestra la distribución de las variables predictoras.
c) Una tabla que muestra los resultados del algoritmo de clustering.

15. ¿Cuál es la fórmula para el teorema de Bayes?

a) P(A|B) = P(B|A) * P(A) / P(B)
b) P(B|A) = P(A|B) * P(B) / P(A)
c) P(A) = P(B) * P(A|B) / P(B|A)
16. ¿Cómo se calcula la probabilidad de una clase dada en Naive Bayes?
a) Multiplicando las probabilidades de las características correspondientes.
b) Sumando las probabilidades de las características correspondientes.
c) Aplicando la fórmula del teorema de Bayes.