Matching Machine Learning Tasks with Scenarios: Official Certification Test Challenge

Pregunta

ARRASTRAR Y SOLTAR -

Haga coincidir las tareas de aprendizaje automático con los escenarios apropiados.

Para responder, arrastre la tarea adecuada desde la columna de la izquierda hasta su escenario de la derecha. Cada tarea puede usarse una vez, más de una vez o ninguna.

NOTA: Cada selección correcta vale un punto.

Seleccionar y colocar:

Respuestas

Respuesta Correcta

Recuadro 1: Evaluación del modelo -

El módulo de evaluación del modelo genera una matriz de confusión que muestra el número de verdaderos positivos, falsos negativos, falsos positivos y verdaderos negativos, así como

Curvas ROC, precisión/recuperación y elevación.

Recuadro 2: Ingeniería de características -

La ingeniería de funciones es el proceso de utilizar el conocimiento del dominio de los datos para crear funciones que ayuden a los algoritmos de ML a aprender mejor. En Azure Machine Learning, se aplican técnicas de escalado y normalización para facilitar la ingeniería de funciones. En conjunto, estas técnicas y la ingeniería de funciones se conocen como caracterización.

Nota: A menudo, las características se crean a partir de datos sin procesar a través de un proceso de ingeniería de características. Por ejemplo, una marca de tiempo en sí misma podría no ser útil para el modelado hasta que la información se transforme en unidades de días, meses o categorías que sean relevantes para el problema, como días festivos versus días laborables.

Recuadro 3: Selección de características -

En el aprendizaje automático y las estadísticas, la selección de características es el proceso de seleccionar un subconjunto de características útiles y relevantes para usar en la construcción de un modelo analítico. La selección de características ayuda a reducir el campo de datos a las entradas más valiosas. Reducir el campo de datos ayuda a reducir el ruido y mejorar el rendimiento del entrenamiento.

https://docs.microsoft.com/es-es/azure/machine-learning/studio/evaluate-model-performance