Cada respuesta tiene cinco capas: respuesta esencial, desarrollo, estrategia de razonamiento, mini-caso y clave de examen. La idea es que puedas usarlo como material de repaso autónomo, preparación de parcial o guía para explicar oralmente.
Marcá “repasar” cuando todavía no puedas reconstruir la respuesta sin mirar y “dominada” cuando puedas explicar mecanismo, evidencia y límite. El progreso queda guardado en el navegador.
Dominadas: 0 / 60Para repasar: 0Visibles: 60
1
¿Qué problema resuelve un árbol de decisión frente a una frontera lineal?
PPT 01 · CARTFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Un árbol permite representar decisiones basadas en umbrales, segmentos e interacciones mediante particiones rectangulares del espacio.
Desarrollo
Un árbol permite representar decisiones basadas en umbrales, segmentos e interacciones mediante particiones rectangulares del espacio. En lugar de resumir todo el patrón con un único plano separador, encadena preguntas binarias y crea regiones locales. Esto resulta útil cuando una variable solo importa dentro de cierto segmento o cuando la relación es no lineal. La ventaja no elimina la necesidad de validación: esa flexibilidad también puede memorizar ruido.
Cómo razonarla
Reconstruí siempre la cadena: regla de split → complejidad del árbol → estabilidad fuera de muestra. No respondas solo con una definición; explicá qué cambia en el comportamiento del árbol y cómo lo verificarías con validación.
Mini-caso / ejemplo mental
Si una relación cambia cuando edad > 40 y además depende de ingresos solo dentro de ese grupo, una frontera lineal única necesita ingeniería adicional; un árbol puede representar esa lógica con dos splits sucesivos.
Clave de examen
Diferenciá capacidad de representación de garantía de generalización.
2
¿Cómo elige CART un split?
PPT 01 · CARTFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
CART evalúa combinaciones de variable y umbral y calcula la impureza de los nodos hijos.
Desarrollo
CART evalúa combinaciones de variable y umbral y calcula la impureza de los nodos hijos. La comparación se hace con impureza ponderada por el tamaño de cada hijo. El split elegido es el que produce la mayor reducción de impureza respecto del nodo padre. El procedimiento es greedy: elige la mejor división local disponible y luego repite el proceso recursivamente.
Cómo razonarla
Reconstruí siempre la cadena: regla de split → complejidad del árbol → estabilidad fuera de muestra. No respondas solo con una definición; explicá qué cambia en el comportamiento del árbol y cómo lo verificarías con validación.
Mini-caso / ejemplo mental
En un nodo con 100 casos, compará dos candidatos calculando la impureza de cada hijo y ponderándola por su tamaño. El mejor split no es el que crea el hijo más puro, sino el que reduce más la impureza total.
Clave de examen
Recordá: el criterio se calcula sobre ambos hijos y se pondera por tamaño.
3
¿Qué significa que un nodo tenga Gini igual a 0?
PPT 01 · CARTFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Significa que el nodo es puro: todas las observaciones que contiene pertenecen a una sola clase.
Desarrollo
Significa que el nodo es puro: todas las observaciones que contiene pertenecen a una sola clase. En el material, Gini se define como 1−Σ pk². Cuando una clase tiene probabilidad 1 y las demás 0, la suma de cuadrados es 1 y la impureza resulta 0.
Cómo razonarla
Reconstruí siempre la cadena: regla de split → complejidad del árbol → estabilidad fuera de muestra. No respondas solo con una definición; explicá qué cambia en el comportamiento del árbol y cómo lo verificarías con validación.
Mini-caso / ejemplo mental
Un nodo con 20 positivos y 0 negativos tiene Gini 0. Un nodo 10/10 tiene Gini 0,5; por eso 0 representa homogeneidad completa.
Clave de examen
Gini 0 = pureza, no “error cero” del modelo completo.
4
¿Por qué no se comparan splits solo mirando la pureza de uno de los hijos?
PPT 01 · CARTFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Porque una división puede crear un hijo pequeño muy puro y dejar otro hijo grande muy mezclado.
Desarrollo
Porque una división puede crear un hijo pequeño muy puro y dejar otro hijo grande muy mezclado. Por eso CART usa la impureza ponderada de ambos hijos según la cantidad de observaciones que contienen. El criterio evalúa la calidad global de la división, no solo el mejor de los dos nodos resultantes.
Cómo razonarla
Reconstruí siempre la cadena: regla de split → complejidad del árbol → estabilidad fuera de muestra. No respondas solo con una definición; explicá qué cambia en el comportamiento del árbol y cómo lo verificarías con validación.
Mini-caso / ejemplo mental
Un split 2/0 y 48/50 no debería juzgarse solo por el hijo 2/0: la mayor parte de los datos sigue mezclada. El peso por tamaño evita esa ilusión.
Clave de examen
La unidad de comparación es el split completo, no un hijo aislado.
5
¿Qué relación existe entre entropía e Information Gain?
PPT 01 · CARTFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
La entropía mide incertidumbre o mezcla dentro de un nodo.
Desarrollo
La entropía mide incertidumbre o mezcla dentro de un nodo. Information Gain es la reducción de esa incertidumbre después de un split: entropía del padre menos entropía ponderada de los hijos. Un split con mayor Information Gain produce, según ese criterio, una separación más informativa.
Cómo razonarla
Reconstruí siempre la cadena: regla de split → complejidad del árbol → estabilidad fuera de muestra. No respondas solo con una definición; explicá qué cambia en el comportamiento del árbol y cómo lo verificarías con validación.
Mini-caso / ejemplo mental
Si H(padre)=0,95 y la entropía ponderada de hijos es 0,60, el Information Gain es 0,35: esa es la reducción de incertidumbre atribuible al split.
Clave de examen
Information Gain es una diferencia de entropías, no otra medida independiente del árbol.
6
¿En qué se diferencian Gini y entropía según el material?
PPT 01 · CARTFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Ambos miden impureza y suelen producir splits similares, pero cuentan historias conceptuales distintas.
Desarrollo
Ambos miden impureza y suelen producir splits similares, pero cuentan historias conceptuales distintas. Gini es simple, rápido y muy usado en CART; entropía conecta la división con incertidumbre e información. El material enfatiza que la pregunta importante no es cuál es universalmente mejor, sino mantener una validación coherente.
Cómo razonarla
Reconstruí siempre la cadena: regla de split → complejidad del árbol → estabilidad fuera de muestra. No respondas solo con una definición; explicá qué cambia en el comportamiento del árbol y cómo lo verificarías con validación.
Mini-caso / ejemplo mental
Dos árboles con Gini y entropía pueden elegir el mismo split aunque los valores numéricos de impureza sean distintos. La decisión empírica debe basarse en validación, no en preferencia estética.
Clave de examen
Gini vs entropía suele ser una decisión secundaria frente a complejidad y validación.
7
¿Por qué se dice que CART es greedy?
PPT 01 · CARTFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Porque en cada nodo selecciona el mejor split local sin explorar todas las secuencias posibles de divisiones futuras.
Desarrollo
Porque en cada nodo selecciona el mejor split local sin explorar todas las secuencias posibles de divisiones futuras. La elección temprana condiciona la estructura posterior del árbol. Por eso un árbol obtenido por CART no debe interpretarse como un óptimo global entre todos los árboles posibles.
Cómo razonarla
Reconstruí siempre la cadena: regla de split → complejidad del árbol → estabilidad fuera de muestra. No respondas solo con una definición; explicá qué cambia en el comportamiento del árbol y cómo lo verificarías con validación.
Mini-caso / ejemplo mental
Un split que hoy parece óptimo puede impedir una mejor secuencia de splits futuros. CART no retrocede para explorar todas las arquitecturas posibles.
Clave de examen
Greedy significa óptimo local en cada nodo, no óptimo global del árbol.
8
¿Cómo se interpreta una hoja en clasificación y en regresión?
PPT 01 · CARTFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
En clasificación, la hoja resume la distribución de clases de los casos que llegaron por el mismo camino; puede predecir la clase mayoritaria o una probabilidad estimada.
Desarrollo
En clasificación, la hoja resume la distribución de clases de los casos que llegaron por el mismo camino; puede predecir la clase mayoritaria o una probabilidad estimada. En regresión, la predicción terminal suele ser el promedio de la respuesta dentro de la hoja. En ambos casos la hoja representa un segmento local generado por las reglas previas.
Cómo razonarla
Reconstruí siempre la cadena: regla de split → complejidad del árbol → estabilidad fuera de muestra. No respondas solo con una definición; explicá qué cambia en el comportamiento del árbol y cómo lo verificarías con validación.
Mini-caso / ejemplo mental
Una hoja de clasificación con 80 casos y 60 positivos puede producir p̂=0,75; una hoja de regresión con ventas [10,12,14] predeciría típicamente 12.
Clave de examen
Hoja = segmento terminal + regla de predicción local.
9
¿Cómo captura un árbol interacciones sin escribir términos de interacción explícitos?
PPT 01 · CARTFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Puede dividir primero por una variable y, solo dentro de una de las regiones resultantes, preguntar por otra.
Desarrollo
Puede dividir primero por una variable y, solo dentro de una de las regiones resultantes, preguntar por otra. Eso hace que la relevancia de la segunda variable dependa de la condición previa de la primera. Conceptualmente, esa dependencia condicional equivale a una interacción.
Cómo razonarla
Reconstruí siempre la cadena: regla de split → complejidad del árbol → estabilidad fuera de muestra. No respondas solo con una definición; explicá qué cambia en el comportamiento del árbol y cómo lo verificarías con validación.
Mini-caso / ejemplo mental
El árbol puede preguntar primero “canal = digital?” y, solo en esa rama, “antigüedad > 6 meses?”. La utilidad de antigüedad queda condicionada por canal.
Clave de examen
Las interacciones aparecen por dependencia de decisiones sucesivas.
10
¿Qué hace interpretable a un árbol?
PPT 01 · CARTFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Cada predicción puede vincularse con un camino desde la raíz hasta una hoja.
Desarrollo
Cada predicción puede vincularse con un camino desde la raíz hasta una hoja. Ese camino puede expresarse como una regla IF–THEN con condiciones concretas. Sin embargo, una regla clara no es automáticamente defendible: debe haber sido validada fuera de muestra y apoyarse en un número suficiente de observaciones.
Cómo razonarla
Reconstruí siempre la cadena: regla de split → complejidad del árbol → estabilidad fuera de muestra. No respondas solo con una definición; explicá qué cambia en el comportamiento del árbol y cómo lo verificarías con validación.
Mini-caso / ejemplo mental
Para un caso concreto se puede leer el camino completo desde la raíz hasta la hoja. Aun así, conviene reportar soporte de la hoja y estabilidad de la regla.
Clave de examen
Interpretabilidad debe acompañarse por soporte y validación.
11
¿Por qué aumentar max_depth puede producir overfitting?
PPT 01 · ComplejidadIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Más profundidad permite crear más regiones y reglas específicas.
Desarrollo
Más profundidad permite crear más regiones y reglas específicas. El entrenamiento puede mejorar continuamente porque el árbol adapta sus hojas a detalles cada vez más pequeños, pero la validación puede deteriorarse. La señal importante es la brecha entre train y validación, no un train score alto por sí mismo.
Cómo razonarla
Reconstruí siempre la cadena: regla de split → complejidad del árbol → estabilidad fuera de muestra. No respondas solo con una definición; explicá qué cambia en el comportamiento del árbol y cómo lo verificarías con validación.
Mini-caso / ejemplo mental
Si train AUC sube de 0,80 a 0,99 al pasar de profundidad 4 a 20 pero validación cae de 0,78 a 0,72, la profundidad adicional está ajustando detalles no generalizables.
Clave de examen
Buscá la divergencia train–validación.
12
¿Qué diferencia hay entre min_samples_split y min_samples_leaf?
PPT 01 · ComplejidadIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
min_samples_split fija cuántas observaciones necesita un nodo para poder dividirse nuevamente.
Desarrollo
min_samples_split fija cuántas observaciones necesita un nodo para poder dividirse nuevamente. min_samples_leaf exige un mínimo de observaciones en cada hoja resultante. Ambos reducen fragmentación excesiva, pero actúan en puntos distintos del proceso de crecimiento.
Cómo razonarla
Reconstruí siempre la cadena: regla de split → complejidad del árbol → estabilidad fuera de muestra. No respondas solo con una definición; explicá qué cambia en el comportamiento del árbol y cómo lo verificarías con validación.
Mini-caso / ejemplo mental
Un nodo puede tener suficientes casos para dividirse según min_samples_split, pero el split será rechazado si deja una hoja por debajo de min_samples_leaf.
Clave de examen
split controla cuándo dividir; leaf controla el tamaño terminal.
13
¿Qué diferencia hay entre pre-pruning y post-pruning?
PPT 01 · PruningIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Pre-pruning limita la complejidad antes o durante el crecimiento mediante controles como profundidad máxima o tamaño mínimo de hoja.
Desarrollo
Pre-pruning limita la complejidad antes o durante el crecimiento mediante controles como profundidad máxima o tamaño mínimo de hoja. Post-pruning deja crecer el árbol y luego elimina ramas según un criterio de costo-complejidad. En ambos casos, el nivel de complejidad debe elegirse con validación y no mirando el test final.
Cómo razonarla
Reconstruí siempre la cadena: regla de split → complejidad del árbol → estabilidad fuera de muestra. No respondas solo con una definición; explicá qué cambia en el comportamiento del árbol y cómo lo verificarías con validación.
Mini-caso / ejemplo mental
Pre-pruning sería fijar max_depth=5; post-pruning sería dejar crecer y luego elegir ccp_alpha para recortar ramas.
¿Cómo se interpreta ccp_alpha en la poda costo-complejidad?
PPT 01 · PruningIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
El criterio Rα(T)=R(T)+α·|T| combina riesgo de entrenamiento y cantidad de hojas terminales. R(T) puede ser error o impureza ponderada según la implementación.
Desarrollo
El criterio Rα(T)=R(T)+α·|T| combina riesgo de entrenamiento y cantidad de hojas terminales. R(T) puede ser error o impureza ponderada según la implementación. Un α pequeño penaliza poco la cantidad de hojas y permite árboles mayores; un α grande favorece árboles más simples. La poda genera una familia de candidatos y la validación decide cuál ofrece el mejor compromiso.
Cómo razonarla
Reconstruí siempre la cadena: regla de split → complejidad del árbol → estabilidad fuera de muestra. No respondas solo con una definición; explicá qué cambia en el comportamiento del árbol y cómo lo verificarías con validación.
Mini-caso / ejemplo mental
Pensá α como el precio de agregar hojas. Si una rama mejora muy poco el ajuste y α es alto, esa rama deja de justificarse.
Clave de examen
α mayor = mayor penalización por complejidad.
15
¿Cómo se manifiesta el trade-off sesgo-varianza en árboles?
PPT 01 · GeneralizaciónIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Un árbol poco profundo puede tener sesgo alto porque no representa suficiente estructura.
Desarrollo
Un árbol poco profundo puede tener sesgo alto porque no representa suficiente estructura. Al aumentar profundidad, el sesgo puede disminuir, pero la varianza crece porque el modelo se vuelve sensible a detalles de la muestra. El objetivo es minimizar el error esperado fuera de muestra, no maximizar complejidad.
Cómo razonarla
Reconstruí siempre la cadena: regla de split → complejidad del árbol → estabilidad fuera de muestra. No respondas solo con una definición; explicá qué cambia en el comportamiento del árbol y cómo lo verificarías con validación.
Mini-caso / ejemplo mental
Un stump puede no capturar suficiente estructura; un árbol enorme puede cambiar mucho con pequeñas perturbaciones. El punto útil se decide fuera de muestra.
Clave de examen
El objetivo es error fuera de muestra, no mínima impureza de train.
16
¿Qué significa que un árbol sea inestable?
PPT 01 · GeneralizaciónIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Que pequeñas perturbaciones de los datos pueden producir cambios importantes en la estructura: otro split raíz, otras variables o reglas distintas.
Desarrollo
Que pequeñas perturbaciones de los datos pueden producir cambios importantes en la estructura: otro split raíz, otras variables o reglas distintas. Esa alta varianza motiva el uso de bagging, donde se entrenan muchos árboles sobre muestras diferentes y se agregan sus predicciones.
Cómo razonarla
Reconstruí siempre la cadena: regla de split → complejidad del árbol → estabilidad fuera de muestra. No respondas solo con una definición; explicá qué cambia en el comportamiento del árbol y cómo lo verificarías con validación.
Mini-caso / ejemplo mental
Si al cambiar 2% de las observaciones cambia el split raíz, el árbol es estructuralmente inestable aunque el accuracy promedio se mantenga similar.
Clave de examen
Inestabilidad es una forma práctica de alta varianza.
17
¿Por qué una probabilidad de hoja igual a 1,00 puede ser engañosa?
PPT 01 · DecisiónIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Porque una hoja muy pequeña puede contener, por ejemplo, 3 positivos y 0 negativos y producir P̂=1,00 aunque exista mucha incertidumbre.
Desarrollo
Porque una hoja muy pequeña puede contener, por ejemplo, 3 positivos y 0 negativos y producir P̂=1,00 aunque exista mucha incertidumbre. El material contrasta este caso con una hoja más amplia, donde una probabilidad menos extrema puede ser más estable. Por eso la calibración y el tamaño de hoja importan para decisiones basadas en probabilidad.
Cómo razonarla
Traducí performance a una regla de acción concreta. Indicá qué ocurre con FP/FN, volumen, costos, capacidad y latencia; recién después compará modelos.
Mini-caso / ejemplo mental
Una hoja 3/3 positivos produce 1,00; otra 300/320 produce 0,9375. La primera parece “más segura” pero tiene mucha más incertidumbre muestral.
Clave de examen
Probabilidad extrema con n pequeño puede ser poco estable.
18
¿Por qué el threshold no es necesariamente 0,5?
PPT 01 · DecisiónIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Porque la acción depende de costos de falsos positivos y falsos negativos, prevalencia y capacidad disponible.
Desarrollo
Porque la acción depende de costos de falsos positivos y falsos negativos, prevalencia y capacidad disponible. Si un falso negativo es muy costoso o solo pueden revisarse cierto número de casos, el punto operativo debe adaptarse a esas restricciones. El score del modelo y la política de acción son decisiones distintas.
Cómo razonarla
Traducí performance a una regla de acción concreta. Indicá qué ocurre con FP/FN, volumen, costos, capacidad y latencia; recién después compará modelos.
Mini-caso / ejemplo mental
Con FN muy costosos puede convenir bajar el threshold; con capacidad de revisión limitada puede convenir usar top K. El score no dicta por sí solo la acción.
Clave de examen
Score y política de acción son capas distintas.
19
¿Qué aporta Precision@K en el caso de una capacidad de auditoría limitada?
PPT 01 · DecisiónIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Permite evaluar la calidad de los K casos priorizados por el modelo.
Desarrollo
Permite evaluar la calidad de los K casos priorizados por el modelo. Si el equipo solo puede revisar K observaciones por día, la métrica responde directamente cuántas de esas revisiones se concentran en verdaderos positivos, conectando ranking con capacidad operativa.
Cómo razonarla
Traducí performance a una regla de acción concreta. Indicá qué ocurre con FP/FN, volumen, costos, capacidad y latencia; recién después compará modelos.
Mini-caso / ejemplo mental
Si solo pueden auditarse 100 casos diarios, Precision@100 responde directamente qué fracción de esas 100 revisiones serán verdaderos positivos.
Clave de examen
Precision@K alinea evaluación con capacidad fija.
20
¿Qué condiciones debe cumplir un árbol defendible según el checklist del material?
PPT 01 · CierreIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Debe tener una pregunta de decisión explícita; un criterio de split comprensible; una complejidad seleccionada mediante validación; reglas que no dependan de hojas diminutas; y una recomendación que incluya costos, límites y revisión.
Desarrollo
Debe tener una pregunta de decisión explícita; un criterio de split comprensible; una complejidad seleccionada mediante validación; reglas que no dependan de hojas diminutas; y una recomendación que incluya costos, límites y revisión. La interpretabilidad sin validación no alcanza.
Cómo razonarla
Explicá primero el mecanismo, después la consecuencia estadística y finalmente la consecuencia operativa. Esa secuencia transforma una respuesta técnica en una respuesta defendible.
Mini-caso / ejemplo mental
Un árbol defendible combina desempeño fuera de muestra, reglas estables, hojas con soporte suficiente, costos explícitos y una política de uso documentada.
Clave de examen
Defendible = válido, estable, accionable y gobernado.
21
¿Cuál es la motivación principal de bagging?
PPT 02 · Random ForestFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Reducir la varianza de modelos inestables.
Desarrollo
Reducir la varianza de modelos inestables. En lugar de buscar un árbol perfecto, bagging entrena múltiples árboles sobre muestras bootstrap y agrega sus predicciones. El promedio funciona mejor cuando los errores de los árboles no son idénticos.
Cómo razonarla
Pensá en tres pasos: cómo se genera diversidad, cómo se agregan predicciones y qué componente del error se intenta reducir. Después conectá esa lógica con OOB, correlación entre árboles y costo computacional.
Mini-caso / ejemplo mental
Bagging es especialmente útil cuando el learner cambia mucho ante pequeñas variaciones de datos. Promediar muchos árboles reduce esa variabilidad.
Clave de examen
Bagging ataca principalmente varianza.
22
¿Qué es una muestra bootstrap y qué ocurre con las observaciones originales?
PPT 02 · Random ForestFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Es una muestra tomada con reemplazo, normalmente del mismo tamaño que el conjunto original.
Desarrollo
Es una muestra tomada con reemplazo, normalmente del mismo tamaño que el conjunto original. Algunas observaciones se seleccionan más de una vez y otras no aparecen. Esa variación hace que diferentes árboles vean datasets distintos y aprendan reglas diferentes.
Cómo razonarla
Pensá en tres pasos: cómo se genera diversidad, cómo se agregan predicciones y qué componente del error se intenta reducir. Después conectá esa lógica con OOB, correlación entre árboles y costo computacional.
Mini-caso / ejemplo mental
Con n observaciones se hacen n extracciones con reemplazo; algunas filas pueden aparecer varias veces y alrededor de 36,8% quedar fuera para un árbol dado.
Clave de examen
Bootstrap usa reemplazo; OOB surge de lo no seleccionado.
23
¿De dónde surge el 36,8% asociado a Out-of-Bag?
PPT 02 · OOBFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
La probabilidad de que una observación no sea seleccionada en una muestra bootstrap de tamaño n es (1−1/n)^n, que para n grande se aproxima a e⁻¹≈0,368.
Desarrollo
La probabilidad de que una observación no sea seleccionada en una muestra bootstrap de tamaño n es (1−1/n)^n, que para n grande se aproxima a e⁻¹≈0,368. Por eso, para cada árbol, cerca del 36,8% de los casos originales quedan fuera y pueden actuar como observaciones OOB.
Cómo razonarla
Pensá en tres pasos: cómo se genera diversidad, cómo se agregan predicciones y qué componente del error se intenta reducir. Después conectá esa lógica con OOB, correlación entre árboles y costo computacional.
Mini-caso / ejemplo mental
Para una observación, la probabilidad de no ser elegida en una extracción es 1−1/n; tras n extracciones es (1−1/n)^n, que converge a e⁻¹.
Clave de examen
La aproximación 36,8% viene del límite e⁻¹.
24
¿Cómo se construye el OOB score?
PPT 02 · OOBFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Para cada observación se reúnen las predicciones de los árboles en cuyos bootstraps esa observación no participó.
Desarrollo
Para cada observación se reúnen las predicciones de los árboles en cuyos bootstraps esa observación no participó. Se agregan esos votos o probabilidades y se compara con el valor real. Esto produce una estimación interna de desempeño sin usar esa observación para entrenar esos árboles.
Cómo razonarla
Pensá en tres pasos: cómo se genera diversidad, cómo se agregan predicciones y qué componente del error se intenta reducir. Después conectá esa lógica con OOB, correlación entre árboles y costo computacional.
Mini-caso / ejemplo mental
Cada fila recibe predicciones solo de los árboles donde fue OOB; esas predicciones se agregan y luego se calcula la métrica sobre todas las filas con predicción OOB.
Clave de examen
OOB agrega solo predicciones de árboles que no entrenaron con ese caso.
25
¿Por qué el OOB score no debe usarse como excusa para prescindir siempre del test?
PPT 02 · OOBFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Porque OOB es una herramienta diagnóstica interna muy útil, pero si se utiliza repetidamente para ajustar decisiones e hiperparámetros puede formar parte del proceso de selección.
Desarrollo
Porque OOB es una herramienta diagnóstica interna muy útil, pero si se utiliza repetidamente para ajustar decisiones e hiperparámetros puede formar parte del proceso de selección. El material insiste en preservar validación y test según el diseño del proyecto y evitar reportar OOB como evidencia final independiente después de ajustar todo con él.
Cómo razonarla
Pensá en tres pasos: cómo se genera diversidad, cómo se agregan predicciones y qué componente del error se intenta reducir. Después conectá esa lógica con OOB, correlación entre árboles y costo computacional.
Mini-caso / ejemplo mental
Si usás OOB repetidamente para elegir muchas decisiones, también podés sobreajustar el proceso de selección. Un test separado sigue siendo una auditoría valiosa.
Clave de examen
OOB no autoriza a reutilizar indefinidamente la misma evidencia para seleccionar.
26
¿Cómo agrega bagging predicciones en clasificación y regresión?
PPT 02 · BaggingFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
En clasificación puede usar voto mayoritario o promedio de probabilidades de los árboles.
Desarrollo
En clasificación puede usar voto mayoritario o promedio de probabilidades de los árboles. En regresión calcula el promedio de las predicciones T_b(x). En ambos casos el objetivo es estabilizar la salida combinando modelos de alta varianza.
Cómo razonarla
Pensá en tres pasos: cómo se genera diversidad, cómo se agregan predicciones y qué componente del error se intenta reducir. Después conectá esa lógica con OOB, correlación entre árboles y costo computacional.
Mini-caso / ejemplo mental
En regresión se promedian predicciones; en clasificación puede usarse voto o promedio de probabilidades. Este último permite después elegir thresholds o top K.
Clave de examen
Promedio de probabilidades preserva flexibilidad para decidir después.
27
¿Qué reduce bagging y qué no necesariamente reduce?
PPT 02 · Sesgo-varianzaFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Su efecto principal es reducir varianza al promediar modelos diversos.
Desarrollo
Su efecto principal es reducir varianza al promediar modelos diversos. Si todos los árboles comparten el mismo sesgo, el promedio no elimina ese sesgo. Por eso más modelos no resuelven automáticamente un patrón mal representado.
Cómo razonarla
Pensá en tres pasos: cómo se genera diversidad, cómo se agregan predicciones y qué componente del error se intenta reducir. Después conectá esa lógica con OOB, correlación entre árboles y costo computacional.
Mini-caso / ejemplo mental
Bagging reduce varianza, pero no elimina automáticamente sesgo ni errores sistemáticos de features, labels o diseño del problema.
Clave de examen
Reducir varianza no equivale a corregir todo tipo de error.
28
¿Por qué muchos árboles pueden no ser suficientes?
PPT 02 · CorrelaciónFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Si todos los árboles son muy parecidos, sus errores están altamente correlacionados y el promedio conserva una fracción importante de la varianza.
Desarrollo
Si todos los árboles son muy parecidos, sus errores están altamente correlacionados y el promedio conserva una fracción importante de la varianza. La aproximación mostrada en el material deja un término ligado a ρσ² incluso cuando el número de árboles crece. Por eso Random Forest intenta bajar la correlación, no solo aumentar B.
Cómo razonarla
Pensá en tres pasos: cómo se genera diversidad, cómo se agregan predicciones y qué componente del error se intenta reducir. Después conectá esa lógica con OOB, correlación entre árboles y costo computacional.
Mini-caso / ejemplo mental
Si todos los árboles usan casi las mismas variables dominantes y cometen errores parecidos, el promedio aporta menos. De ahí surge la descorrelación de Random Forest.
Clave de examen
Cantidad sin diversidad puede aportar poco.
29
¿Qué agrega Random Forest al bagging tradicional?
PPT 02 · Random ForestFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Además del bootstrap de filas, en cada split limita las variables candidatas a un subconjunto aleatorio.
Desarrollo
Además del bootstrap de filas, en cada split limita las variables candidatas a un subconjunto aleatorio. Esa randomización de variables decorrelaciona los árboles. La definición práctica del material es: Random Forest = Bagging + selección aleatoria de variables en cada split.
Cómo razonarla
Pensá en tres pasos: cómo se genera diversidad, cómo se agregan predicciones y qué componente del error se intenta reducir. Después conectá esa lógica con OOB, correlación entre árboles y costo computacional.
Mini-caso / ejemplo mental
Random Forest agrega random subspace en cada split: cada árbol no solo ve un bootstrap distinto sino también subconjuntos de variables candidatos.
Clave de examen
Random Forest = bagging + randomización de variables por split.
30
¿Cuál es el trade-off de max_features?
PPT 02 · Random ForestIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Con max_features alto, cada árbol tiene acceso a más señal y puede ser fuerte, pero los árboles tienden a parecerse más.
Desarrollo
Con max_features alto, cada árbol tiene acceso a más señal y puede ser fuerte, pero los árboles tienden a parecerse más. Con max_features bajo, aumenta diversidad y baja correlación, aunque cada árbol puede debilitarse. La elección debe evaluarse por desempeño estable fuera de muestra.
Cómo razonarla
Pensá en tres pasos: cómo se genera diversidad, cómo se agregan predicciones y qué componente del error se intenta reducir. Después conectá esa lógica con OOB, correlación entre árboles y costo computacional.
Mini-caso / ejemplo mental
max_features alto fortalece cada árbol pero aumenta correlación; bajo aumenta diversidad pero puede ocultar señal. La validación busca el equilibrio.
Clave de examen
max_features controla fuerza–correlación.
31
¿Qué aporta n_estimators y cuándo deja de ser útil aumentarlo?
PPT 02 · Random ForestIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Más árboles reducen variabilidad del ensemble hasta que el error u OOB se estabiliza.
Desarrollo
Más árboles reducen variabilidad del ensemble hasta que el error u OOB se estabiliza. Una vez que la curva se aplana, agregar más árboles puede aumentar tiempo y memoria sin cambiar la decisión. No hay una virtud automática en maximizar el número de árboles.
Cómo razonarla
Pensá en tres pasos: cómo se genera diversidad, cómo se agregan predicciones y qué componente del error se intenta reducir. Después conectá esa lógica con OOB, correlación entre árboles y costo computacional.
Mini-caso / ejemplo mental
La mejora por más árboles suele estabilizarse; una vez plana la curva OOB/validación, el beneficio adicional es principalmente menor Monte Carlo a cambio de más costo.
Clave de examen
Más árboles estabilizan; después domina el costo marginal.
32
¿Para qué sirve max_samples?
PPT 02 · Random ForestIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Controla cuánto de la muestra ve cada árbol.
Desarrollo
Controla cuánto de la muestra ve cada árbol. Reducir max_samples puede aumentar diversidad y bajar costo computacional, pero también puede debilitar los árboles. El objetivo es diversidad útil, no aleatoriedad sin señal.
Cómo razonarla
Pensá en tres pasos: cómo se genera diversidad, cómo se agregan predicciones y qué componente del error se intenta reducir. Después conectá esa lógica con OOB, correlación entre árboles y costo computacional.
Mini-caso / ejemplo mental
Con max_samples<1 cada árbol usa menos filas, lo que reduce costo y puede aumentar diversidad, aunque cada learner dispone de menos información.
Clave de examen
max_samples regula información por árbol y diversidad.
33
¿Por qué un Random Forest con mayor AUC puede ser una peor decisión?
PPT 02 · EvaluaciónIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Porque AUC solo resume ranking.
Desarrollo
Porque AUC solo resume ranking. El modelo puede tener peor calibración, mayor costo de falsos positivos o falsos negativos, más latencia, mayor consumo de memoria o inestabilidad en segmentos relevantes. La evaluación debe combinar discriminación, calibración, costo y operación.
Cómo razonarla
Explicá primero el mecanismo, después la consecuencia estadística y finalmente la consecuencia operativa. Esa secuencia transforma una respuesta técnica en una respuesta defendible.
Mini-caso / ejemplo mental
Un AUC algo mayor puede perder frente a otro modelo si necesita mucha más latencia, produce probabilidades peores o genera demasiados FP al punto operativo.
Clave de examen
La mejor métrica no siempre produce la mejor decisión.
34
¿Qué mide Mean Decrease Impurity y cuáles son sus límites?
PPT 02 · InterpretaciónIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Mide cuánto reducen la impureza los splits que utilizan cada variable dentro del bosque.
Desarrollo
Mide cuánto reducen la impureza los splits que utilizan cada variable dentro del bosque. Es rápida y útil para diagnóstico, pero puede favorecer variables con muchos puntos de corte, repartir importancia de forma engañosa entre variables correlacionadas y no representa causalidad ni valor de negocio.
Cómo razonarla
Separá la pregunta que responde cada herramienta —importancia global, efecto promedio, heterogeneidad individual o contribución local— y explicitá sus supuestos. Terminá aclarando que explicación predictiva no implica causalidad.
Mini-caso / ejemplo mental
MDI suma reducciones de impureza dentro del modelo; variables con muchos cortes potenciales pueden verse favorecidas. Por eso no debe leerse como causalidad.
Clave de examen
MDI es predictiva, interna y potencialmente sesgada.
35
¿Cómo funciona permutation importance?
PPT 02 · InterpretaciónIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Se parte de un modelo ya entrenado y un score base fuera de muestra.
Desarrollo
Se parte de un modelo ya entrenado y un score base fuera de muestra. Luego se permutan los valores de una variable para romper su relación con la respuesta y se vuelve a medir el desempeño. La caída del score se interpreta como dependencia predictiva del modelo respecto de esa variable.
Cómo razonarla
Separá la pregunta que responde cada herramienta —importancia global, efecto promedio, heterogeneidad individual o contribución local— y explicitá sus supuestos. Terminá aclarando que explicación predictiva no implica causalidad.
Mini-caso / ejemplo mental
Permutás una variable en validación, recalculás la métrica y medís la caída. Una gran caída indica que el modelo dependía de esa información en ese conjunto.
Clave de examen
Permutation importance pregunta cuánto cae la métrica al romper una variable.
36
¿Por qué la correlación entre variables puede engañar a permutation importance?
PPT 02 · InterpretaciónIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Si dos variables transportan información parecida, al permutar una la otra puede seguir sosteniendo gran parte de la señal.
Desarrollo
Si dos variables transportan información parecida, al permutar una la otra puede seguir sosteniendo gran parte de la señal. Entonces la caída de desempeño de una variable individual puede ser pequeña aunque el grupo sea informativamente relevante. Baja importancia individual no equivale a irrelevancia total.
Cómo razonarla
Separá la pregunta que responde cada herramienta —importancia global, efecto promedio, heterogeneidad individual o contribución local— y explicitá sus supuestos. Terminá aclarando que explicación predictiva no implica causalidad.
Mini-caso / ejemplo mental
Si X1 y X2 son casi duplicadas, permutar X1 puede causar poca caída porque X2 sigue disponible. Eso no demuestra que X1 carezca de información.
Clave de examen
Correlación redistribuye o enmascara importancia.
37
¿Qué diferencia hay entre usar threshold y usar top K?
PPT 02 · DecisiónIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Un threshold selecciona todos los casos cuyo score supera un valor.
Desarrollo
Un threshold selecciona todos los casos cuyo score supera un valor. Top K selecciona una cantidad fija de los casos con mayor score. Cuando la capacidad de revisión es rígida, top K puede alinearse mejor con la operación que un umbral probabilístico fijo.
Cómo razonarla
Traducí performance a una regla de acción concreta. Indicá qué ocurre con FP/FN, volumen, costos, capacidad y latencia; recién después compará modelos.
Mini-caso / ejemplo mental
Threshold fija un score de corte y deja variar el volumen; top K fija el volumen y deja variar el score de corte. La restricción de negocio decide cuál conviene.
Clave de examen
Threshold fija corte; top K fija capacidad.
38
¿Por qué la latencia y la memoria forman parte de la elección de modelo?
PPT 02 · OperaciónIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Porque una mejora predictiva solo crea valor si el modelo puede operar dentro de las restricciones del proceso.
Desarrollo
Porque una mejora predictiva solo crea valor si el modelo puede operar dentro de las restricciones del proceso. Un bosque enorme puede consumir demasiada memoria o producir predicciones con demora excesiva. El desempeño técnico sin viabilidad operativa no mejora la decisión.
Cómo razonarla
Traducí performance a una regla de acción concreta. Indicá qué ocurre con FP/FN, volumen, costos, capacidad y latencia; recién después compará modelos.
Mini-caso / ejemplo mental
Un modelo que responde después de la ventana de decisión es inútil aunque tenga mayor AUC. Operación y estadística deben evaluarse juntas.
Clave de examen
Un modelo debe llegar a tiempo y dentro del presupuesto.
39
¿Qué exige el benchmark común del módulo?
PPT 02 · BenchmarkIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Comparar los modelos con las mismas particiones, métricas y restricciones.
Desarrollo
Comparar los modelos con las mismas particiones, métricas y restricciones. El material propone al menos logística, árbol podado, Random Forest y boosting, evaluados con ROC-AUC, PR-AUC, Brier, errores FP/FN y tiempo. Sin protocolo común, las diferencias de métricas no son defendibles.
Cómo razonarla
Traducí performance a una regla de acción concreta. Indicá qué ocurre con FP/FN, volumen, costos, capacidad y latencia; recién después compará modelos.
Mini-caso / ejemplo mental
Usar los mismos splits, preprocessing, métricas, horizonte y restricciones evita comparar modelos bajo reglas diferentes.
Clave de examen
Benchmark común = protocolo común.
40
¿Qué evidencia pedirías antes de poner un Random Forest en producción?
PPT 02 · CierreIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Un protocolo de validación coherente; comparación contra baseline y árbol; OOB como diagnóstico, no como única evidencia final; métricas de discriminación y calibración; costos FP/FN y capacidad; latencia y memoria; importancia fuera de muestra; estabilidad por segmento y un plan de monitoreo.
Desarrollo
Un protocolo de validación coherente; comparación contra baseline y árbol; OOB como diagnóstico, no como única evidencia final; métricas de discriminación y calibración; costos FP/FN y capacidad; latencia y memoria; importancia fuera de muestra; estabilidad por segmento y un plan de monitoreo.
Cómo razonarla
Explicá primero el mecanismo, después la consecuencia estadística y finalmente la consecuencia operativa. Esa secuencia transforma una respuesta técnica en una respuesta defendible.
Mini-caso / ejemplo mental
Antes de producción pediría validación independiente, estabilidad, calibración, punto operativo, costos, latencia, interpretación, análisis por segmentos y plan de monitoreo.
Clave de examen
Producción exige evidencia técnica, económica y operativa.
41
¿Cuál es la diferencia conceptual central entre Random Forest y boosting?
PPT 03 · BoostingFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Random Forest entrena muchos árboles en paralelo y los promedia para reducir varianza.
Desarrollo
Random Forest entrena muchos árboles en paralelo y los promedia para reducir varianza. Boosting construye árboles secuencialmente: cada etapa intenta corregir lo que el modelo acumulado todavía no explica. Su objetivo dominante es reducir sesgo y mejorar desempeño sin perder control de generalización.
Cómo razonarla
Explicá primero el mecanismo, después la consecuencia estadística y finalmente la consecuencia operativa. Esa secuencia transforma una respuesta técnica en una respuesta defendible.
Mini-caso / ejemplo mental
Random Forest reduce varianza combinando árboles relativamente independientes; boosting aprende secuencialmente corrigiendo el predictor acumulado.
Clave de examen
Paralelo/descorrelacionado versus secuencial/correctivo.
42
¿Qué significa que boosting sea un modelo aditivo?
PPT 03 · BoostingFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Que la predicción final se construye sumando correcciones: F_M(x)=F_0(x)+ν·Σ γ_m h_m(x).
Desarrollo
Que la predicción final se construye sumando correcciones: F_M(x)=F_0(x)+ν·Σ γ_m h_m(x). F_0 es la predicción inicial; cada h_m es un árbol débil; γ_m pondera su aporte y ν o learning rate reduce el tamaño de cada paso.
Cómo razonarla
Explicá primero el mecanismo, después la consecuencia estadística y finalmente la consecuencia operativa. Esa secuencia transforma una respuesta técnica en una respuesta defendible.
Mini-caso / ejemplo mental
Cada etapa suma una función nueva al score existente. El modelo final es la suma ponderada de muchas correcciones pequeñas.
Clave de examen
Aditivo = sumar learners al predictor acumulado.
43
¿Qué papel cumplen los residuos en Gradient Boosting de regresión?
PPT 03 · BoostingFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
El residuo y−F(x) representa la parte del resultado que el modelo actual todavía no explica.
Desarrollo
El residuo y−F(x) representa la parte del resultado que el modelo actual todavía no explica. El siguiente árbol se entrena para aproximar esa corrección. En clasificación se ajusta el gradiente negativo de la pérdida logística respecto del score F. En binaria, el pseudo-residuo es y−p y F se actualiza en escala log-odds; la sigmoide lo convierte en probabilidad.
Cómo razonarla
Explicá primero el mecanismo, después la consecuencia estadística y finalmente la consecuencia operativa. Esa secuencia transforma una respuesta técnica en una respuesta defendible.
Mini-caso / ejemplo mental
Con error cuadrático, si un caso vale 10 y el modelo predice 7, el residuo es +3. El siguiente árbol intenta explicar parte de ese error restante.
Clave de examen
En MSE, gradiente negativo y residuo se conectan directamente.
44
¿Por qué se usan weak learners en boosting?
PPT 03 · BoostingFundamental
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Porque el objetivo es combinar muchas correcciones simples y controladas.
Desarrollo
Porque el objetivo es combinar muchas correcciones simples y controladas. Árboles pequeños reducen el riesgo de memorizar ruido en una sola etapa. El material propone controlar primero profundidad, learning rate y early stopping antes de simplemente aumentar el número de árboles.
Cómo razonarla
Explicá primero el mecanismo, después la consecuencia estadística y finalmente la consecuencia operativa. Esa secuencia transforma una respuesta técnica en una respuesta defendible.
Mini-caso / ejemplo mental
Learners pequeños limitan cuánto puede corregir cada etapa y obligan al ensemble a construir la señal gradualmente, favoreciendo regularización.
Clave de examen
Weak learners limitan correcciones individuales y facilitan regularización.
45
¿Cuál es la relación entre learning rate y n_estimators?
PPT 03 · RegularizaciónIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Un learning rate bajo hace que cada árbol aporte poco, por lo que suelen necesitarse más etapas.
Desarrollo
Un learning rate bajo hace que cada árbol aporte poco, por lo que suelen necesitarse más etapas. Esa trayectoria puede ser más estable. Un learning rate alto aprende más rápido, pero puede acercarse antes al sobreajuste. No tiene sentido comparar cantidades de árboles sin considerar el tamaño del paso.
Cómo razonarla
Explicá primero el mecanismo, después la consecuencia estadística y finalmente la consecuencia operativa. Esa secuencia transforma una respuesta técnica en una respuesta defendible.
Mini-caso / ejemplo mental
Un learning rate menor hace pasos más pequeños, por lo que suele requerir más n_estimators. Ambos parámetros forman un trade-off conjunto.
Clave de examen
learning_rate y n_estimators se tunean juntos.
46
¿Qué problema resuelve early stopping?
PPT 03 · RegularizaciónIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Evita seguir agregando árboles cuando el entrenamiento mejora pero la validación deja de hacerlo o empieza a deteriorarse.
Desarrollo
Evita seguir agregando árboles cuando el entrenamiento mejora pero la validación deja de hacerlo o empieza a deteriorarse. El protocolo consiste en usar validación o CV, observar el desempeño por iteración y conservar el punto de mejor comportamiento fuera de muestra sin mirar el test final.
Cómo razonarla
Explicá primero el mecanismo, después la consecuencia estadística y finalmente la consecuencia operativa. Esa secuencia transforma una respuesta técnica en una respuesta defendible.
Mini-caso / ejemplo mental
Early stopping evita seguir agregando etapas cuando la métrica de validación ya no mejora, reduciendo sobreajuste y costo.
Clave de examen
Early stopping es regularización basada en validación.
47
¿En qué se diferencian AdaBoost y Gradient Boosting?
PPT 03 · BoostingIntermedio
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
AdaBoost repondera casos mal clasificados y combina clasificadores débiles ponderados.
Desarrollo
AdaBoost repondera casos mal clasificados y combina clasificadores débiles ponderados. Gradient Boosting optimiza una pérdida diferenciable y agrega árboles que aproximan gradientes negativos; con pérdida cuadrática, equivalen a residuos. Ambos son secuenciales, pero Gradient Boosting ofrece una formulación más general para distintas pérdidas y tareas.
Cómo razonarla
Explicá primero el mecanismo, después la consecuencia estadística y finalmente la consecuencia operativa. Esa secuencia transforma una respuesta técnica en una respuesta defendible.
Mini-caso / ejemplo mental
AdaBoost cambia el énfasis mediante pesos sobre observaciones/learners; Gradient Boosting ajusta direcciones de descenso de una función de pérdida.
Clave de examen
No confundas reponderación de AdaBoost con gradientes de Gradient Boosting.
48
¿Por qué un buen ranking no implica buena calibración?
PPT 03 · DecisiónAvanzado
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Un modelo puede ordenar correctamente qué casos son más riesgosos y, aun así, asignar probabilidades demasiado optimistas o conservadoras.
Desarrollo
Un modelo puede ordenar correctamente qué casos son más riesgosos y, aun así, asignar probabilidades demasiado optimistas o conservadoras. La calibración compara probabilidad predicha con frecuencia observada. Esto importa porque costos, thresholds y planificación de capacidad dependen de probabilidades confiables.
Cómo razonarla
Traducí performance a una regla de acción concreta. Indicá qué ocurre con FP/FN, volumen, costos, capacidad y latencia; recién después compará modelos.
Mini-caso / ejemplo mental
Dos modelos pueden ordenar casos igual pero transformar el score de forma distinta. El ranking queda intacto mientras que las probabilidades dejan de corresponder con frecuencias reales.
Clave de examen
Discriminación y calibración son dimensiones distintas.
49
¿Qué métodos de calibración menciona el material?
PPT 03 · DecisiónAvanzado
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Platt scaling e isotonic regression.
Desarrollo
Platt scaling e isotonic regression. Ambos se presentan como herramientas para ajustar probabilidades cuando el ranking puede ser útil pero las probabilidades no están bien alineadas con frecuencias reales. La calibración debe evaluarse fuera de muestra.
Cómo razonarla
Traducí performance a una regla de acción concreta. Indicá qué ocurre con FP/FN, volumen, costos, capacidad y latencia; recién después compará modelos.
Mini-caso / ejemplo mental
Platt scaling ajusta una transformación logística; isotonic regression aprende una transformación monótona más flexible. Ambos requieren datos fuera del entrenamiento base.
Clave de examen
Calibrar también requiere validación.
50
¿Qué diferencia conceptual hay entre MDI y permutation importance?
PPT 03 · InterpretaciónAvanzado
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
MDI mide cómo el modelo utilizó variables para reducir impureza durante el entrenamiento.
Desarrollo
MDI mide cómo el modelo utilizó variables para reducir impureza durante el entrenamiento. Permutation importance mide cuánto cae el desempeño fuera de muestra cuando se rompe una variable. Por lo tanto responden preguntas distintas; ninguna demuestra causalidad.
Cómo razonarla
Separá la pregunta que responde cada herramienta —importancia global, efecto promedio, heterogeneidad individual o contribución local— y explicitá sus supuestos. Terminá aclarando que explicación predictiva no implica causalidad.
Mini-caso / ejemplo mental
MDI es interna y basada en splits; permutation importance mide impacto sobre una métrica al destruir información de una variable en datos de evaluación.
Clave de examen
MDI mira estructura interna; permutación mira impacto en métrica.
51
¿Qué muestra un PDP y cuál es su principal limitación?
PPT 03 · InterpretaciónAvanzado
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Muestra cómo cambia la predicción media del modelo al variar una característica y promediar sobre todos los casos.
Desarrollo
Muestra cómo cambia la predicción media del modelo al variar una característica y promediar sobre todos los casos. Es útil para comunicar dirección promedio, pero puede ocultar heterogeneidad entre subgrupos y representar regiones con pocos datos. Describe al modelo, no prueba un efecto causal.
Cómo razonarla
Separá la pregunta que responde cada herramienta —importancia global, efecto promedio, heterogeneidad individual o contribución local— y explicitá sus supuestos. Terminá aclarando que explicación predictiva no implica causalidad.
Mini-caso / ejemplo mental
PDP muestra la respuesta promedio del modelo al variar una característica; puede ocultar que subgrupos individuales reaccionan de forma muy distinta.
Clave de examen
PDP es promedio y puede ocultar heterogeneidad.
52
¿Qué agrega ICE respecto de PDP?
PPT 03 · InterpretaciónAvanzado
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
ICE mantiene una curva por observación, en lugar de promediar inmediatamente.
Desarrollo
ICE mantiene una curva por observación, en lugar de promediar inmediatamente. Permite detectar si distintos casos reaccionan de manera diferente, revelar interacciones o subgrupos y mostrar cuándo el promedio del PDP resulta demasiado simplificador.
Cómo razonarla
Separá la pregunta que responde cada herramienta —importancia global, efecto promedio, heterogeneidad individual o contribución local— y explicitá sus supuestos. Terminá aclarando que explicación predictiva no implica causalidad.
Mini-caso / ejemplo mental
ICE dibuja trayectorias individuales y permite ver heterogeneidad, cruces e interacciones que el promedio del PDP puede cancelar.
Clave de examen
ICE revela trayectorias individuales.
53
¿Cómo debe interpretarse SHAP?
PPT 03 · InterpretaciónAvanzado
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Como una explicación local de la predicción del modelo: distribuye la diferencia entre una predicción base y la predicción final entre contribuciones de variables.
Desarrollo
Como una explicación local de la predicción del modelo: distribuye la diferencia entre una predicción base y la predicción final entre contribuciones de variables. No debe interpretarse como una explicación causal del mundo. Además puede ser sensible a correlaciones y al conjunto de referencia. Las contribuciones se suman en la escala de salida explicada: por ejemplo, log-odds o probabilidad; esa escala debe declararse.
Cómo razonarla
Separá la pregunta que responde cada herramienta —importancia global, efecto promedio, heterogeneidad individual o contribución local— y explicitá sus supuestos. Terminá aclarando que explicación predictiva no implica causalidad.
Mini-caso / ejemplo mental
SHAP explica cómo el modelo distribuye la diferencia entre baseline y predicción entre variables. Esa atribución es predictiva, no causal.
Clave de examen
SHAP explica el modelo, no el mundo causal.
54
¿Qué es robustez interpretativa?
PPT 03 · InterpretaciónAvanzado
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Es verificar si la explicación se mantiene cuando cambia la muestra, el fold o el período.
Desarrollo
Es verificar si la explicación se mantiene cuando cambia la muestra, el fold o el período. Una variable que aparece como importante de manera consistente ofrece más confianza que una que solo aparece en un ajuste particular. La explicación también necesita validación.
Cómo razonarla
Separá la pregunta que responde cada herramienta —importancia global, efecto promedio, heterogeneidad individual o contribución local— y explicitá sus supuestos. Terminá aclarando que explicación predictiva no implica causalidad.
Mini-caso / ejemplo mental
Si una importancia cambia radicalmente entre folds, semillas o meses, su explicación es frágil. La robustez interpretativa exige estabilidad suficiente para el uso previsto.
Clave de examen
Una explicación útil también debe ser estable.
55
¿Por qué el test final se describe como una auditoría posterior?
PPT 03 · ValidaciónAvanzado
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Porque su función es estimar desempeño después de terminar la selección de modelos e hiperparámetros.
Desarrollo
Porque su función es estimar desempeño después de terminar la selección de modelos e hiperparámetros. Si se prueban configuraciones mirando el test y se elige la mejor, el test deja de ser independiente y el resultado reportado se vuelve optimista.
Cómo razonarla
Diferenciá datos usados para entrenar, seleccionar y auditar. Un procedimiento defendible especifica de antemano particiones, métrica, espacio de búsqueda y criterio de cierre.
Mini-caso / ejemplo mental
El test final se consulta después de cerrar decisiones. Si se usa para elegir hiperparámetros, deja de representar una auditoría honesta.
Clave de examen
Test final = evidencia posterior a la selección.
56
¿Qué caracteriza un tuning defendible?
PPT 03 · TuningAvanzado
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Usa un presupuesto explícito, rangos documentados, semilla, validación adecuada y criterios previos de selección.
Desarrollo
Usa un presupuesto explícito, rangos documentados, semilla, validación adecuada y criterios previos de selección. El material recomienda random search, CV estratificada y early stopping para cubrir espacio útil sin convertir la búsqueda en una exploración ilimitada del test.
Cómo razonarla
Diferenciá datos usados para entrenar, seleccionar y auditar. Un procedimiento defendible especifica de antemano particiones, métrica, espacio de búsqueda y criterio de cierre.
Mini-caso / ejemplo mental
Un tuning defendible declara espacio de búsqueda, presupuesto, CV, métrica, semillas y criterio de selección, y reserva el test para después.
Clave de examen
Tuning defendible es reproducible y presupuestado.
57
¿Cómo se transforma la matriz de confusión en valor económico?
PPT 03 · OperaciónAvanzado
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Asignando beneficios y costos a los resultados: el material expresa Valor = b·TP − c_FP·FP − c_FN·FN − c_op·acciones.
Desarrollo
Asignando beneficios y costos a los resultados: el material expresa Valor = b·TP − c_FP·FP − c_FN·FN − c_op·acciones. Así, un cambio de threshold puede aumentar TP pero también FP y costo operativo. La mejor política depende de esos valores y de la capacidad disponible.
Cómo razonarla
Traducí performance a una regla de acción concreta. Indicá qué ocurre con FP/FN, volumen, costos, capacidad y latencia; recién después compará modelos.
Mini-caso / ejemplo mental
Asigná valores a TP, FP, FN y costos de intervención; luego evaluá cada threshold por valor neto esperado, no solo por accuracy.
Clave de examen
La matriz de confusión adquiere sentido económico al asignar valores.
58
¿Qué tipos de cambio deben monitorearse después del despliegue?
PPT 03 · MonitoreoAvanzado
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Cambios en la distribución de X, cambios en la relación X→y, variaciones de prevalencia o base rate y pérdida de calibración.
Desarrollo
Cambios en la distribución de X, cambios en la relación X→y, variaciones de prevalencia o base rate y pérdida de calibración. El material propone seguir PSI/KS, métricas por período, calibración, costo real, volumen de acciones y alertas de cambio.
Cómo razonarla
Extendé el razonamiento más allá del notebook: quién decide, qué se monitorea, qué dispara una revisión y cómo se documentan cambios. La validez es continua, no un atributo obtenido una vez.
Mini-caso / ejemplo mental
Monitoreá X, prevalencia, relación X→y, calibración, performance, volumen de acciones, costos y restricciones operativas.
Clave de examen
Monitorear incluye datos, modelo, decisión y negocio.
59
¿Qué preguntas de gobernanza deben acompañar a la interpretación técnica?
PPT 03 · GobernanzaAvanzado
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Si el error se concentra en un grupo; si la explicación utiliza proxies sensibles; si el threshold es consistente con la política aprobada; y si existe un circuito de revisión humana.
Desarrollo
Si el error se concentra en un grupo; si la explicación utiliza proxies sensibles; si el threshold es consistente con la política aprobada; y si existe un circuito de revisión humana. Además deben reportarse métricas globales y por segmento, costos de FP/FN, variables críticas, límites y plan de monitoreo.
Cómo razonarla
Extendé el razonamiento más allá del notebook: quién decide, qué se monitorea, qué dispara una revisión y cómo se documentan cambios. La validez es continua, no un atributo obtenido una vez.
Mini-caso / ejemplo mental
Preguntá quién es afectado, qué proxies sensibles existen, qué segmentos fallan, quién revisa excepciones, quién aprueba cambios y cómo se audita el sistema.
Clave de examen
Gobernanza agrega responsabilidad y control al análisis técnico.
60
¿Cómo se estructura una decisión defendible del notebook al comité?
PPT 03 · ReporteAvanzado
Pendiente
Ver respuesta como guía de estudio
Respuesta esencial
Debe explicitar la pregunta con población, horizonte y acción; presentar evidencia de validación, métricas y estabilidad; comparar baseline, árbol, Random Forest y boosting; interpretar variables, efectos y límites; y cerrar con una acción, su costo, responsable y monitoreo.
Desarrollo
Debe explicitar la pregunta con población, horizonte y acción; presentar evidencia de validación, métricas y estabilidad; comparar baseline, árbol, Random Forest y boosting; interpretar variables, efectos y límites; y cerrar con una acción, su costo, responsable y monitoreo. El objetivo es que otra persona pueda revisar, cuestionar y reproducir la recomendación.
Cómo razonarla
Extendé el razonamiento más allá del notebook: quién decide, qué se monitorea, qué dispara una revisión y cómo se documentan cambios. La validez es continua, no un atributo obtenido una vez.
Mini-caso / ejemplo mental
La narrativa ejecutiva debe unir objetivo, datos, benchmark, validación, explicación, economía, recomendación operativa, riesgos, responsables y monitoreo.
Clave de examen
El comité necesita una cadena de evidencia, no un notebook aislado.