TP 03 — Clasificación de texto con secuencia y atención

1. ¿Por qué ajustar el tokenizer solo sobre el train?
2. ¿Qué forma tienen los IDs para un lote B de longitud L?
3. ¿Qué prueba revela un padding mal enmascarado?
4. ¿Por qué Macro-F1 en lugar de accuracy con clases raras?
5. [E] ¿Para qué sirve la baseline TF-IDF frente a una GRU?

Respuestas. 1. De lo contrario el vocabulario filtra estadísticas del conjunto de prueba. 2. B×L, como la máscara. 3. Añadir padding no debe cambiar la predicción. 4. Cada clase pesa igual. 5. Mide si el orden secuencial aporta una ganancia más allá de las palabras presentes.