algo que vale la pena mencionar es que cuando tienes muchas variables X1, X2, …Xn puede suceder que la información mas trascendente se encuentre contenida en tan solo 3 , 5 o unas pocas variables asi que se intenta realizar una “reducción de la dimensión” de manera que solo trabajemos con aquellas variables que representan mayor importancia. métodos para esto pueden ver el más conocido como PCA (principal component analysis)
Fundamentos prácticos
Aplica Platzidoro en este curso y asegura el éxito de tu aprendizaje
Los fundamentos de machine learning que aprenderás
Introducción a Numpy
Introducción y manipulación de datos con Pandas
Introducción a ScikitLearn
Comandos básicos de las librerías usadas en el curso (Numpy, Pandas y ScikitLearn)
Regresión Lineal y Logística
¿Qué es la predicción de datos?
Sobreajuste y subajuste en los datos
Regresión lineal simple y regresión lineal múltiple
Regresión lineal simple con Scikit-Learn: división de los datos
Regresión lineal simple con Scikit-Learn: creación del modelo
Regresión logística con Scikit-Learn: definición y división de datos
Regresión logística con Scikit-Learn: evaluación del modelo
Matriz de confusión
PlatziDoro Cápsula 1
Árboles de decisión
¿Qué es un árbol de decisión y cómo se divide?
Comprendiendo nuestro data set para la creación de un árbol de decisión
Creando un clasificador con Scikit-Learn
Entrenamiento del modelo de clasificación
Visualización del árbol de decisión
K-Means
¿Qué es K-Means?
Cargando el data set de Iris
Construcción y evaluación del modelo con K-Means
Graficación del modelo
PlatziDoro Cápsula 2
Aprendizaje profundo
Introducción al aprendizaje profundo
Conceptos básicos de Tensor Flow
Red neuronal convolucional
Conociendo el set de datos para la creación de la red neuronal
Crea y entrena tu primera red neuronal convolucional con Tensor Flow
Evaluación de la red convolucional
PlatziDoro Cápsula 3
Despedida
Recomendaciones para analizar correctamente tu problema
Siguientes pasos para continuar aprendendiendo de Machine Learning
Aún no tienes acceso a esta clase
Crea una cuenta y continúa viendo este curso
Crear cuenta
Si ya tienes una cuenta,
Iniciar sesiónRegresión lineal simple y regresión lineal múltiple
9/34Recursos
Aportes 19
Preguntas 1
Ordenar por:
Resumen
Regresión lineal y múltiple
El algoritmo de regresión lineal nos ayuda a conseguir tendencia en los datos, este es un algoritmo de tipo supervisado ya que debemos de usar datos previamente etiquetados.
En la regresión lineal generamos, a partir de los datos, una recta y es a partir de esta que podremos encontrar la tendencia o predicción.
Generalmente es importante tener en cuenta varias dimensiones o variables al considerar los datos que estamos suministrando al modelo, recordando siempre cuidar este set de sobreajuste o subajuste.
Cuando nuestro modelo considera más de dos variables el algoritmo de regresión que usamos se conoce como Regresión Lineal Múltiple y este trabaja sobre un sistema de referencia conocido como hiperplano.
Los algoritmos de regresión, tanto lineal como múltiple trabajan únicamente con datos de tipo cuantitativos.
** OJO: QUE ESTOS ALGORITMOS SE USAN CUANDO SE TIENEN DATOS DE TIPO CUANTITATIVOS.**
Regresión Lineal Simple
- Es un algoritmo de aprendizaje supervisado que nos indica la tendencia de un conjunto de datos cuyas variables estén relacionadas.
Regresión Lineal Múltiple
- Permite hallar la tendencia entre más de dos variables
Nota
- Este algoritmo se usa solamente para datos cuantitativos
Les recomiendo este post para profundizar un poco más sobre Regresión Lineal Multiple.
Les recomiendo este post para profundizar un poco más sobre Regresión lineal.
Regresión lineal simple y regresión lineal múltiple
Son algoritmos de tipo supervisado
Regresión lineal simple
Algoritmo de aprendizaje supervisado que nos indica la tendencia de un conjunto de datos continuos, modelando la relación entre una variable dependiente Y y una variable explicativa llamada X.
Esto se representa en una gráfica bidimensional X, Y
cada punto en la gráfica es un elemento de la muestra de datos
Se busca obtener la ecuación de la pendiente optimizada para los datos
$$
Yi = b + mXi
$$
Con la regresión lineal simple se puede buscar la relación entre una característica y otra, Ejemplo: salario de las personas a lo largo del tiempo
pero en el caso de tener mas de una caracteristica es decir un ejemplo como: Salario de las personas en base a años de experiencia, edad, estudios, años en la compañia, cantidad de empleos anteriores etc…
para poder trabajar con multiples características se usa la
Regresión lineal multiple
Si nuestro problema tiene más de dos variables se le considera lineal multiple
Al tener multiples dimensiones X, Y, Z, etc. Son representados gráficamente por un hiperplano.
Economistas a mi!
Como complemento, les dejo el vídeo de dot csv donde explica la regresión lineal. Y si estas empezando en el mundo de la AI te recomiendo que sigas su canal.
uuufff super recomendando ese video para entender regresión lineal simple y múltiple como complemento a la clase https://www.youtube.com/watch?v=k964_uNn3l0
Muy buena grafica Gracias Yesi
Regresion Lineal Simple, con PREDICCION !!!
https://www.w3schools.com/python/python_ml_linear_regression.asp
Regresión lineal simple
Regresión lineal múltiple
De una forma muy clara explicaste lo de las regresiones, muchas gracias. Listo para ponerlo en practica.
La regresión lineal me entrega una predicción dependiendo de los datos históricos con los que se haga el cálculo.
Una de las aplicaciones también es la cantidad de ventas de un producto
siissiisis
Hola chicos, yo se que a través de variables dimmies podemos hacer una regresión lineal múltiple sin ningún problema, pero aquí enfatizan en que la regresión lineal sólo admite datos cuantitativos. Mi pregunta es: ¿esto es debido al método que usamos para estimar los parámetros?
¿Quieres ver más aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesión.