Fundamentos de machine learning

Quiz

Played 23

Create copy

About this activity

ML, Modelos, etc

Created by

Matías Molins

Chile

Download the paper version to play

Top 10 results

#	Player	Accuracy	time
1	Don wea June 13, 2025	% 100	01:57
2	Matías Molins June 13, 2025	% 80	03:58
3	Withex June 13, 2025	% 67	03:18

Do you want to stay in the Top 10 of this game? Log in to identify yourself.

Make your own free game from our game creator

Compete against your friends to see who gets the best score in this game

Make challenge

Tissues - Practice Quiz

Benjamin D Morgan

United States

(16)

Tissues - Practice Quiz
UPS 5 Seeing Habits Quiz

Heather Bell

United States

(12)

Test your knowledge about the 5 seeing habits discussed in the text 'UPS 5 seeing habits'.
Practice Quiz - Punnett Square, Variation, and Mutations

Benjamin D Morgan

United States

(14)

Practice Quiz - Punnett Square, Variation, and Mutations
Spanish Alphabet Listening

Falkenberg Falkenberg

United States

(88)

Spanish alphabet, listening-based assessment
Photosynthesis vs Cellular Respiration - Practice Quiz

Benjamin D Morgan

United States

(39)

Photosynthesis vs Cellular Respiration - Practice Quiz

		%
	Anonymous	%
		%
		%

Print your game

Fundamentos de machine learning


Fundamentos de machine learningOnline version ML, Modelos, etc by Matías Molins 1 ¿Cuál de los siguientes supuestos es fundamental en la regresión lineal? a Normalidad de las variables independientes b Linealidad entre las variables independientes y la dependiente c Independencia entre las variables independientes d Normalidad de los predictores 2 ¿Qué mide el coeficiente de determinación R²? a La pendiente del modelo b El grado de correlación lineal entre dos variables c La proporción de varianza explicada por el modelo d La significancia estadística del intercepto 3 En un árbol de regresión, ¿cuál es el criterio más común para dividir los nodos? a Gini b Entropía c Reducción de varianza d AUC 4 ¿Cuál de los siguientes no es un hiperparámetro típico de un modelo Random Forest de regresión? a Número de árboles b Profundidad máxima del árbol c Tasa de aprendizaje d Número de variables seleccionadas por división 5 ¿Qué función de pérdida es usada normalmente en regresión SVM? a Hinge loss b Cross-entropy c Epsilon-insensitive loss d Log loss 6 Cuál de los siguientes métodos es un ejemplo de ensamble por bagging? a AdaBoost b Random Forest c Ridge Regression d Gradient Boosting 7 ¿Qué ocurre cuando se aumenta el número de árboles en un Random Forest? a Se reduce el overfitting b Se incrementa la varianza c El modelo se vuelve más interpretable d La precisión decrece 8 ¿Cuál es el objetivo del método de boosting? a Reducir la varianza del modelo b Reducir el sesgo del modelo c Aumentar el número de muestras d Aumentar el número de variables 9 En regresión lineal múltiple, un coeficiente con p-valor alto indica que: a La variable tiene un fuerte efecto sobre la variable dependiente b La variable es estadísticamente significativa c No hay evidencia suficiente para decir que la variable afecta la salida d El modelo tiene multicolinealidad 10 ¿Cuál es la principal diferencia entre un árbol de regresión y un árbol de clasificación? a Uno usa la entropía y el otro el Gin b Uno predice valores continuos y otro clases c Uno puede usar redes neuronales y otro no d Ninguna 11 ¿Qué es el epsilon en SVM para regresión? a Un parámetro de regularización b Un margen de tolerancia donde no se penaliza el error c La tasa de aprendizaje d El número de iteraciones 12 ¿Cuál de los siguientes es un beneficio de usar ensambles? a Mayor sesgo b Menor precisión c Reducción de varianza d Menor interpretabilidad 13 ¿Qué significa que un modelo tenga alta varianza? a Es muy preciso b Se sobreajusta a los datos de entrenamiento c Tiene bajo sesgo d Tiene baja capacidad predictiva 14 En el contexto de modelos de regresión, el término "regularización" se refiere a: a La maximización de la varianza explicada b El número de árboles usados c El proceso de normalizar las variables d Un método para reducir el overfitting 15 ¿Qué técnica de ensamble construye modelos secuencialmente? a Boosting b Voting c Bagging d Random Forest

You can integrate the game into an LMS compatible with LTI 1.1 or LTI 1.3 such as Canvas, Moodle, or Blackboard. This way, the scores will be automatically saved into the platform’s gradebook.

Fundamentos de machine learning

Quiz

About this activity

Created by

Download the paper version to play

Top Games

Quiz

Tissues - Practice Quiz

Quiz

UPS 5 Seeing Habits Quiz

Quiz

Practice Quiz - Punnett Square, Variation, and Mutations

Quiz

Spanish Alphabet Listening

Quiz

Photosynthesis vs Cellular Respiration - Practice Quiz

Fundamentos de machine learningOnline version

by Matías Molins

¿Cuál de los siguientes supuestos es fundamental en la regresión lineal?

¿Qué mide el coeficiente de determinación R²?

En un árbol de regresión, ¿cuál es el criterio más común para dividir los nodos?

¿Cuál de los siguientes no es un hiperparámetro típico de un modelo Random Forest de regresión?

¿Qué función de pérdida es usada normalmente en regresión SVM?

Cuál de los siguientes métodos es un ejemplo de ensamble por bagging?

¿Qué ocurre cuando se aumenta el número de árboles en un Random Forest?

¿Cuál es el objetivo del método de boosting?

En regresión lineal múltiple, un coeficiente con p-valor alto indica que:

¿Cuál es la principal diferencia entre un árbol de regresión y un árbol de clasificación?

¿Qué es el epsilon en SVM para regresión?

¿Cuál de los siguientes es un beneficio de usar ensambles?

¿Qué significa que un modelo tenga alta varianza?

En el contexto de modelos de regresión, el término "regularización" se refiere a:

¿Qué técnica de ensamble construye modelos secuencialmente?