Volver al curso
Página siguiente
Quiz Interactivo
¡Pon a prueba tus conocimientos!
1
¿Cuál es el objetivo principal de la validación cruzada (cross-validation) en el deep learning?
A
Aumentar la velocidad de entrenamiento del modelo
B
Evaluar con precisión un modelo en todo el conjunto de datos de entrenamiento
C
Reducir el tamaño del dataset para el entrenamiento
D
Generar nuevos datos de entrenamiento
2
En el método de validación cruzada k-fold, ¿qué parámetro influye directamente en el número de modelos entrenados?
A
El número de clases en el dataset
B
El tamaño de cada subconjunto de validación
C
El valor de k, es decir, el número de subconjuntos
D
La tasa de aprendizaje del modelo
3
¿Cuál es la diferencia principal entre la validación cruzada k-fold estratificada y la k-fold clásica?
A
La k-fold estratificada utiliza un número variable de folds
B
La k-fold estratificada mantiene la misma distribución de clases en cada subconjunto
C
La k-fold estratificada no divide el dataset en subconjuntos
D
La k-fold estratificada no requiere entrenamiento múltiple
4
¿Cuál es un inconveniente mayor del método leave one out cross validation (LOOCV)?
A
No permite detectar el sobreajuste (overfitting)
B
Requiere entrenar el modelo varias veces, tantas como el tamaño del dataset
C
No puede ser utilizada para el ajuste fino (finetuning) con pocos datos
D
No tiene en cuenta la distribución de las clases
5
Entre las ventajas de la validación cruzada, ¿cuál es correcta?
A
Acelera el proceso de entrenamiento del modelo
B
Permite una evaluación más fiable de los modelos al reducir el efecto del azar en la separación de los datos
C
Simplifica la selección de hiperparámetros evitando cualquier regularización
D
Elimina totalmente el riesgo de sobreajuste (overfitting)
Score: 0/5
Puntuación: 0/5