Fundamentos de Scikit-learn

1. Ya partiste las entregas en X_tr (1500) y X_te (500). ¿Cuál es la forma correcta de rellenar los faltantes de peso_kg con SimpleImputer(strategy="median")?

• imp.fit_transform(X) con las 2000 filas y después partir
• imp.fit_transform(X_tr) y después imp.fit_transform(X_te)
• imp.fit(X_tr) y después imp.transform(X_tr) e imp.transform(X_te)
• imp.fit(X_te) y después imp.transform(X_tr)

La mediana se aprende solo en train (1.81 kg) y se aplica con transform al test. Ajustar con todos los datos o volver a ajustar en test filtra información del test: es fuga de datos.

2. Un KNN de 15 vecinos con distancia_km, articulos, hora, lluvia y valor_mxn da 0.750 sin escalar y 0.844 con StandardScaler. Un árbol de decisión da 0.828 con o sin escalar. ¿Por qué?

• El KNN mide distancias y valor_mxn, con una escala mucho mayor, las domina; el árbol compara cada columna contra un umbral propio
• StandardScaler elimina los valores atípicos, y el árbol ya los ignoraba
• El escalado agrega columnas nuevas que el KNN aprovecha y el árbol no
• El árbol escala los datos internamente antes de entrenar

valor_mxn va de 92 a 8435 y domina la distancia euclidiana del KNN; al escalar, todas las columnas pesan parecido. El árbol corta cada columna por separado, así que la escala no le afecta.

3. Un DummyClassifier que siempre predice «a tiempo» obtiene 0.732 de exactitud en el test de PyEnvíos. ¿Qué se concluye?

• Que un modelo con 0.75 de exactitud ya es muy bueno
• Que 0.732 es el piso: refleja la proporción de entregas a tiempo y el Dummy no detecta ninguna tardía
• Que los datos tienen errores, porque un modelo sin datos debería dar 0.5
• Que la exactitud es la mejor métrica para este problema

El 73.2 % de las entregas de test llegan a tiempo, así que esa exactitud sale gratis y el recall de tardías es 0. Es el piso contra el que se compara cualquier modelo.

4. La regresión logística da en test la matriz de confusión [[354, 12], [44, 90]] (filas: real 0 y 1; columnas: predicho 0 y 1). ¿Cuál es el recall de la clase tarde?

• 0.882
• 0.888
• 0.967
• 0.672

Recall = TP / (TP + FN) = 90 / (90 + 44) = 0.672. La precision es 90 / (90 + 12) = 0.882.

5. Con validación cruzada de 5 pliegues, un árbol de decisión sin límite de profundidad obtiene 1.000 de exactitud en entrenamiento y 0.805 en validación. ¿Qué indica?

• Que hay fuga de datos en la validación
• Que el árbol está sobreajustado: memoriza el entrenamiento y generaliza peor
• Que hacen falta más pliegues para que ambas cifras coincidan
• Que el árbol está subajustado y necesita más profundidad

El árbol memoriza el entrenamiento y generaliza peor: es sobreajuste. La validación cruzada lo revela porque mide siempre sobre datos que el modelo no vio al ajustarse.