KNN Iris Challenge

Froggy Jumps

(4)

Parties jouées 46 %Précision 94 Temps moyen 00:46

Créer une copie

À propos de cette activité

Quiz sobre aprendizaje automático y kNN

Créé par

Mtra. Maricela Aguilar Illán

Mexico

Téléchargez la version pour jouer sur papier

Top 10 résultats

#	Jeux	Précision	temps
1	IVAN EMILIANO HERNANDEZ MARTINEZ 6 Mai 2026	% 100	00:23
2	ANTONIO ISRAEL VICUÑA GONZALEZ 6 Mai 2026	% 100	00:25
3	FERNANDA MISHEL PONCE BOJORGES 6 Mai 2026	% 100	00:25
4	LILIANA AGUILAR SORIANO 6 Mai 2026	% 100	00:27
5	FERNANDA REY DELGADO 6 Mai 2026	% 100	00:29
6	JIMENA OJEDA ESCOBAR 6 Mai 2026	% 100	00:30
7	ALEXANDRA MARTINEZ GÓMEZ 6 Mai 2026	% 100	00:32
8	Karol Orochi 7 Mai 2026	% 100	00:32
9	LILIAN JOHANA ROSAS VELAZQUEZ 6 Mai 2026	% 100	00:36
10	ALEXANDER REGALADO ROMERO 6 Mai 2026	% 100	00:45

Voulez-vous apparaître dans le Top 10 de ce jeu? Connectez-vous pour vous identifier.

Créez votre propre jeu gratuite à partir de notre créateur de jeu

Affrontez vos amis pour voir qui obtient le meilleur score dans ce jeu

Créer un défi

		%
	Anonyme	%
		%
		%

Imprimez votre jeu

KNN Iris Challenge


Froggy Jumps KNN Iris ChallengeVersion en ligne Quiz sobre aprendizaje automático y kNN par Mtra. Maricela Aguilar Illán 1 ¿Qué representan las variables asignadas a X en el contexto del modelo de ML? a El conjunto de datos para el examen final b La herramienta que convierte datos en una tabla Excel c Las características o pistas (medidas de pétalos y sépalos) que el modelo analiza. 2 ¿Qué sucede en la fase de entrenamiento con knn.fit(X_train, y_train)? a El modelo estudia la relación entre las medidas de las flores y sus especies correspondientes. b Se eligen los 3 vecinos más cercanos para decidir c El modelo intenta adivinar especies nunca vistas 3 ¿Para qué sirve random_state=42 al dividir los datos? a Para que el modelo use exactamente 42 vecinos b Para asegurar que la división sea la misma y los resultados sean replicables. c Para aumentar la precisión al 100% 4 Si un modelo kNN se configura con k=3, ¿cómo determina la especie de una nueva flor? a Divide la tabla en tres grupos iguales para exámenes b Selecciona tres medidas al azar e ignora las demás c Analiza las 3 flores más parecidas y elige la especie más frecuente entre ellas. 5 ¿Qué información nos proporciona la diagonal principal en una Matriz de Confusión? a Los errores específicos donde el modelo confundió una flor con otra. b La cantidad de vecinos que resultaron ser más inteligentes c El número total de aciertos 6 Al buscar el mejor valor de k, ¿en qué métrica debemos fijarnos principalmente? a En que el modelo use la menor cantidad de pistas b En el número de filas totales c En el Accuracy (exactitud), buscando el valor más cercano a 1.0. 7 ¿Cuál es la utilidad del conjunto de datos 'Test' (Prueba) según la planeación? a Limpiar los datos para eliminar errores b Simular un examen con datos que el modelo nunca vio durante su estudio. c Proveer al modelo respuestas correctas para estudiar mejor 8 ¿Qué describe mejor la división 75% entrenamiento y 25% prueba? a Se usan 75% para validar hiperparámetros b Se utilizan 75% para pruebas c Se dividen los datos para estudiar con 75% y evaluar con 25%. 9 ¿Qué representa una ‘característica’ en este contexto de ML? a El conjunto de datos para el examen b Medidas de pétalos y sépalos que describen cada flor. c La herramienta para convertir datos en tabla

Vous pouvez intégrer le jeu dans un LMS compatible avec LTI 1.1 ou LTI 1.3 comme Canvas, Moodle ou Blackboard. Les scores seront ainsi automatiquement enregistrés dans le carnet de notes de la plateforme.

KNN Iris Challenge

Froggy Jumps

À propos de cette activité

Créé par

Téléchargez la version pour jouer sur papier

Top Jeux

Froggy Jumps

pizza

Froggy Jumps

Ethos, Pathos, and Logos Quiz

Froggy Jumps

Bill of Rights Game - The Constitutionalist

Froggy Jumps

The Integumentary System

Froggy Jumps

Phlebotomy Order of Draw Quiz

Froggy Jumps

KNN Iris ChallengeVersion en ligne

par Mtra. Maricela Aguilar Illán

¿Qué representan las variables asignadas a X en el contexto del modelo de ML?

¿Qué sucede en la fase de entrenamiento con knn.fit(X_train, y_train)?

¿Para qué sirve random_state=42 al dividir los datos?

Si un modelo kNN se configura con k=3, ¿cómo determina la especie de una nueva flor?

¿Qué información nos proporciona la diagonal principal en una Matriz de Confusión?

Al buscar el mejor valor de k, ¿en qué métrica debemos fijarnos principalmente?

¿Cuál es la utilidad del conjunto de datos 'Test' (Prueba) según la planeación?

¿Qué describe mejor la división 75% entrenamiento y 25% prueba?

¿Qué representa una ‘característica’ en este contexto de ML?