No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

¿Cómo continuar practicando?

17/17
Recursos

Aportes 14

Preguntas 1

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Buen curso, al fin voy a poder arreglar el proyecto de los pinguinos analizando con los valores faltantes sin eliminarlos.


Se que han añadido varios cursos de sklearn este mes, pero igual hago la solicitud de un curso de auto-sklearn.

la pregunta 14 del examen está al revez, creo que preguntaba sobre una No ventaja y preguntaron sobre una No desventaja, buen cursó felicidades.

test answers
Resumen
1.
¿Qué es la imputación de valores faltantes?

Estimar los valores ausentes con base en los valores válidos de otras variables y/o casos de muestra o modelos.
2.
¿Cuál de las siguientes afirmaciones NO es una implicación de los datos Missing Completely At Random (MCAR)?

La imputación es necesaria.
3.
¿Cuál de las siguientes afirmaciones SÍ es una implicación de los datos Missing At Random (MAR)?

Todas las opciones son correctas.
4.
¿Cuál de las siguientes afirmaciones SÍ es una implicación de los datos Missing Not At Random (MNAR)?

Todas las opciones son correctas.
5.
Después de examinar tus datos con valores faltantes, tus colegas te sugieren mejorar tu diseño experimental o realizar un análisis de sensibilidad. ¿Qué tipo de mecanismo de valores faltantes creen que actúa sobre tus datos?
MNAR
6.
¿Qué es la codificación ordinal?

Una codificación ordinal implica mapear cada etiqueta (categoría) única a un valor entero.
7.
Una vez ajustamos y transformamos nuestros datos con codificador, podemos hacer uso de su atributo ____ para obtener las categorías únicas de nuestro conjunto de datos.

encoder.get_categories()

REPASAR CLASE
8.
¿Cuál es una ventaja de realizar one-hot encoding utilizando sklearn en lugar de Pandas?

Realizar one-hot encoding puede llegar a ser más robusto debido a que guarda la información necesaria de las categorías involucradas e incluye una forma de realizar transformaciones inversas.
9.
¿Cuándo utilizarías una codificación one-hot en lugar de una codificación ordinal?

Cuando mis variables categóricas no tienen un orden natural.

¿Qué son las imputaciones basadas en donantes?
Completa los valores que faltan para una unidad dada copiando los valores observados de otra unidad, el donante.
11.
¿Cuáles son las imputaciones basadas en modelos?

Encuentran un modelo predictivo para cada variable objetivo en el conjunto de datos que contiene valores faltantes.

¿Por cuál de las siguientes razones podrías utilizar la imputación por media, mediana y moda?

Todas las opciones son correctas.
13.
¿Cuál de las siguientes afirmaciones NO es una desventaja de la imputación por llenado hacia atrás y hacia adelante?

Relaciones multivariables pueden ser distorsionadas.
14.
Al realizar una imputación por llenado hacia atrás y hacia adelante, existen trucos que pueden ayudarte a enfrentar el problema de que las relaciones multivariables puedan ser distorsionadas. ¿Cuál de las siguientes opciones NO es uno de estos trucos?

Realizar una imputación con dominios creados completamente al azar.
15.
¿Cuál de las siguientes afirmaciones es una desventaja de la imputación por interpolación?

Puede introducir valores fuera de rango.
16.
¿Cuál de las siguientes afirmaciones NO es una desventaja de la imputación por K-vecinos más cercanos (KNN)?

Buen rendimiento con conjuntos de datos pequeños.
17.
El algoritmo de imputación por K-vecinos más cercanos (KNN) es un método de imputación con base en modelos. Esto es:

Falso, es basada en donante.

Necesitas cuantificar la distancia únicamente entre variables numéricas. ¿Cuál de las siguientes métricas de distancia podría ser más útil?

Manhattan
REPASAR CLASE
19.
Necesitas cuantificar la distancia únicamente entre variables categóricas ordinales (tipo factor). ¿Cúal de las siguientes métricas de distancia podría ser más útil?

Manhattan
20.
Necesitas cuantificar la distancia únicamente entre variables categóricas sin un orden natural. ¿Cuál de las siguientes métricas de distancia podría ser más útil?

Hamming
21.
Necesitas cuantificar la distancia entre variables de distintos tipos (númericas, categóricas). ¿Cuál de las siguientes métricas de distancia podría ser más útil?

Gower
22.
Dependiendo del software utilizado, algunos algoritmos pueden o no ordenar las variables de acuerdo a su valor de faltantes. ¿Cómo podría afectar esto a los resultados de la imputación?
La imputación podría estar sesgándose debido a utilizar estimados provenientes de variables con alta cantidad de valores faltantes en lugar de variables con baja o nula cantidad de valores faltantes.
23.
¿Cuál de las siguientes afirmaciones es una ventaja de la imputación con base en modelos?

Todas las opciones son correctas.
24.
¿Cuál de las siguientes afirmaciones es una desventaja de Imputaciones Múltiples por Ecuaciones Encadenadas (MICE)?

Para funcionar bien necesitas pensar en el modelo de imputación y el modelo de análisis.

¿La siguiente frase es verdadera o falsa?

Realizar transformaciones a tus datos es un paso fundamental en cada análisis. Por ejemplo, cambio de escalas, cambio de codificaciones, entre otras. No obstante, siempre es útil regresar los datos a su estado natural, ya sea para continuar explorando o comunicar los resultados de forma original.

Verdadera
Ver menos

Buen curso, muchas gracias!

Sin lugar a dudas de los mejores cursos y más útiles dentro de la carrera profesional

Uno de los mejores cursos que he visto. Muy productivo. Con mucha informacion practica. Excelente profesor

Muy buen curso, un poco pesado sí. No pensé que hubiera tanta información para el tratamiento de los valores faltantes, lo cual me sorprendió
Excelente curso. Nunca había pensado qué tan técnico era el manejo de valores faltantes, pues no sólo es excluirlas del análisis.

Buen docente y buen curso 👏

Necesitamos un curso de Janitor!

Tremendo curso, sin duda el tema de missing values e imputaciones son todo un mundo aparte.

17. ¿Cómo continuar practicando?

Conclusiones

  • Aprendiste que trabajar con valores faltantes representa un trabajo con tratamiento especial.
  • Conociste las consideraciones al trabajar con los distintos tipos de valores faltantes (MCAR,MAR Y MNAR).
  • Lograste explorar los tipos de valores faltantes a través de visualizaciones y pruebas estadísticas nuevas.
  • Aprendiste a tratar valores categóricos al momento de realizar imputaciones.
  • Lograste identificar los distintos tipos de imputación de valores faltantes: con base en donantes y modelos.
  • Realizaste múltiples imputaciones a través de distintos algoritmos.
  • Entendiste las ventajas y desventajas de cada herramienta de imputación.
<h5>Realiza un proyecto</h5>

M egusto mucho el curso, y lo considero de los mas importantes, ya que los valores faltantes son algo del dia a dia y muy dificeles de llevar si no se sabe como.