Responde de forma breve y justificada. Se evalúa el razonamiento, no la extensión.
1. Un dataset tiene una columna edad con un 30 % de valores faltantes. Un compañero
propone df.dropna(). Da dos razones concretas por las que puede ser una mala idea, y describe
qué harías tú antes de decidir.
2. Explica la diferencia entre MCAR, MAR y MNAR con un ejemplo propio de cada uno. Para el caso MAR, indica qué estrategia de imputación es apropiada y cuál sería incorrecta.
3. En un dataset de pacientes, la columna nivel_colesterol tiene un 45 % de faltantes. Al
investigar, descubres que solo se midió a los pacientes que el médico consideró de riesgo.
- a) ¿Qué mecanismo de ausencia es?
- b) ¿Por qué imputar con la mediana sería especialmente engañoso aquí?
- c) ¿Qué harías en su lugar?
4. Un dataset de 5.000 filas tiene 340 filas completamente idénticas. Describe el procedimiento que seguirías antes de decidir si eliminarlas, y explica en qué situación concreta no deberías hacerlo.
5. Tienes una variable ingreso_mensual cuyo diagrama de caja marca 200 outliers en la
cola alta, todos correspondientes a personas reales de altos ingresos.
- a) ¿Los eliminas? Justifica.
- b) Menciona dos alternativas a eliminarlos.
- c) ¿Qué modelos del curso se verían afectados por esos valores y cuáles no?
6. Estás preparando datos para un modelo de KNN. Tienes edad (18–65), salario
(1.000.000–20.000.000) y antiguedad_meses (0–400).
- a) ¿Qué problema hay si aplicas KNN directamente?
- b) ¿Cómo lo resuelves?
- c) Si en vez de KNN usaras un Random Forest, ¿cambiaría tu respuesta? ¿Por qué?
7. Explica la diferencia entre codificación one-hot y codificación ordinal. Da un ejemplo de una variable donde la ordinal sea correcta y otro donde sea un error, explicando qué le “dice” al modelo la codificación incorrecta.
8. Un compañero construye este flujo y reporta un 94 % de accuracy:
X_escalado = StandardScaler().fit_transform(X)
X_sel = SelectKBest(f_classif, k=30).fit_transform(X_escalado, y)
puntajes = cross_val_score(modelo, X_sel, y, cv=5)El dataset tiene 300 filas y 8.000 columnas.
- a) Identifica los dos errores y di cuál es mucho más grave.
- b) Explica por qué el más grave produce un resultado tan optimista en este dataset concreto.
- c) Reescribe el código correctamente.
9. Se quiere predecir si un cliente cancelará su suscripción el próximo mes. Para cada variable candidata, indica si produce fuga de datos y por qué:
- a) Número de reclamos presentados en los últimos 6 meses.
- b) Fecha de la solicitud de cancelación.
- c) Promedio de uso del servicio en el mes que se quiere predecir.
- d) Antigüedad del cliente en meses.
- e) Si el equipo de retención lo contactó (después de que el sistema lo marcara como riesgo).
10. Explica qué garantiza un Pipeline de scikit-learn que no garantiza aplicar los mismos
pasos por separado. En tu respuesta menciona qué ocurre exactamente al llamar a .fit() y a
.predict(), y por qué el artefacto que se despliega en producción debe ser el pipeline
completo y no solo el modelo.
Puntuación: cada pregunta vale 0.5 puntos, para un total de 5.0.