UNIVERSIDAD TÉCNICA DEL NORTE

FACULTAD DE INGENIERÍA EN CIENCIAS APLICADAS

CARRERA DE SOFTWARE

Universidad Técnica del Norte

Materia: Inteligencia Artificial

Docente: Ing. Iván García

Estudiante: Anthony Andrango, Anthony Benavides, Edisson Ortiz, Juan Yanez

Fecha: 20 de julio de 2023

1. ¿Para que se utiliza el algoritmo de Random Forest?

 Clasificador
 Regresión
 Clasificador y Regresión.
 Clasificador Binario

2. ¿Quiénes registraron el algoritmo de Random Forest?

 Leo Breiman y Adele Cutler.
 Steve Jobs y Elon Musk
 Sebastian Thrun y Ian Goodfellow
 Pedro Domingos y Yann LeCun

3. ¿Cuántos hiperparametros tiene el algoritmo de Random Forest según la

documentación de scikit-learn, para clasificación?
 14
 9
 4
 18.

4. Para el hiperparametro n_estimators, ¿Cuál es un buen valor por defecto?

 200
 100.
 50
 300

5. ¿Es verdad que el algoritmo de Random Forest consume y requiere de

menos recursos en operación?
 Verdadero
 Falso.
 UNIVERSIDAD TÉCNICA DEL NORTE
FACULTAD DE INGENIERÍA EN CIENCIAS APLICADAS
CARRERA DE SOFTWARE

6. ¿Qué es max_features en un árbol de decisión?

 El número máximo de nodos en un árbol
 El número máximo de características que se considerar para dividir un nodo
de un árbol.
 El número máximo de divisiones que se pueden realizar en un árbol

7. Si max_features se establece en None, ¿Qué sucede?

 Se selecciona la ríz cuadrada del número total de características
 Se seleccionan todas las características para cada división de nodo.
 No se realiza ninguna división de nodo

8. ¿Cuál es una ventaja de Random Forest en términos de manejo de datos

ruidosos y valores atípicos?
 Random Forest puede eliminar automáticamente los datos ruidosos y valores
atípicos
 Random Forest construye múltiples árboles de decisión, lo que ayuda a
mitigar el impacto de los datos anómalos o ruidosos.
 Random Forest no se ve afectado por los datos ruidosos y valores atípicos

9. ¿Cuál es una desventaja de Random Forest en términos de tiempo de

entrenamiento?
 Random Forest requiere menos tiempo de entrenamiento en comparación
con otros algoritmos
 El tiempo de entrenamiento de Random Forest tiende a ser mayor debido a la
combinación de múltiples árboles de decisión.
 Random Forest no requiere tiempo de entrenamiento

10. ¿Qué dificultad puede surgir al interpretar los resultados de Random

Forest?
 Random Forest proporciona una explicación clara sobre cómo se toman las
decisiones
 Random Forest ofrece una medida directa de la importancia de cada variable
en la predicción.
 La naturaleza del ensamblaje de árboles de decisión en Random Forest puede
dificultar la interpretación de los resultados
 UNIVERSIDAD TÉCNICA DEL NORTE
FACULTAD DE INGENIERÍA EN CIENCIAS APLICADAS
CARRERA DE SOFTWARE

11. Random Forest es un tipo de algoritmo de árbol de decisión

 Verdadero.
 Falso

12. Random Forest sólo puede utilizarse para tareas de clasificación.

 Verdadero
 Falso.

13. ¿Cómo funciona Random Forest?

 Mediante la creación de múltiples árboles de decisión y combinando sus
resultados para obtener una predicción más precisa.
 Mediante la creación de un solo árbol de decisión para obtener una
predicción precisa
 Ninguna de las anteriores

14. Un modelo de Random Forest se construye mediante la creación de

____________ árboles de decisión y combinando sus resultados para
obtener una predicción más precisa.
 Múltiples.
 Escasos
 Ningún

15. ¿Qué problemas puede resolver Random Forest?

 Problemas de clasificación
 Problemas de regresión
 Ambos A y B.

16. ¿Cuál es la funcionalidad del hiperparámetro “criterion”?

 Medir la profundidad máxima del bosque
 Medir número máximo de características que se consideran para dividir un
nodo en un árbol
 Medir la calidad de una división.

17. ¿Qué criterios utiliza criterion?

 UNIVERSIDAD TÉCNICA DEL NORTE
FACULTAD DE INGENIERÍA EN CIENCIAS APLICADAS
CARRERA DE SOFTWARE

 Gini y entropy.
 MaxEntropy y minEntropy
 Gini y termodinamic

18. ¿Random forest tiene relación con desition tree?

 Verdadero.
 Falso

19. ¿Cuál es el principio básico detrás del algoritmo de Random Forest?

 Utiliza un solo árbol de decisión para clasificar los datos
 Combina múltiples árboles de decisión para tomar decisiones finales.
 Utiliza una red neuronal profunda para realizar la clasificación
 Aplica técnicas de agrupamiento para segmentar los datos

20. ¿Cómo se seleccionan las características (features) en un Random Forest?

 Se seleccionan aleatoriamente sin considerar su importancia.
 Se seleccionan las características más correlacionadas con la variable
objetivo
 Se utiliza el método de eliminación recursiva de características
 Se utiliza el criterio de ganancia de información