Regresi贸n lineal y machine learning

2/10
Recursos
Transcripci贸n

Aportes 35

Preguntas 5

Ordenar por:

驴Quieres ver m谩s aportes, preguntas y respuestas de la comunidad? Crea una cuenta o inicia sesi贸n.

Dato totalmente est煤pido pero divertido que descubr铆 por mero accidente

Si lo ponen a 0.5x pareciera que va pasado de copas jajaja, ricardo eres un grande! recuerdo que en curso de introducci贸n a machine learning nos dijiste acerca de como, la primera vez que aprendi贸 del tema su cabeza era c贸mo una cubeta con hoyos y que la informaci贸n, tal cual fuera agua, por no tener las bases suficientes, se te escurr铆a y ahora mismo nos est谩s ayudando a tapar esos hoyos, me siento especialmente entusiasmado con este curso, ya que se me dan bien las matem谩ticas pero a煤n me cuesta hacer el nexo matem谩ticas-machine learning y tengo esperanzas en que con este curso el nexo estar谩, al menos, comenzando a formarse

hola les comparto las notas que tome durante el curso, espero les sean de utilidad

https://github.com/rb-one/Curso_regrsion_lineal_python/blob/master/Notes/notes.md

** Partes del proceso del Machine Learning**

  1. Labeled observations: observaciones etiquetadas, es decir los datos que tenemos.

  2. a) Set de datos de entrenamiento del modelo.

    b) Set de datos de prueba, lo que se usara para validar el modelo.

  3. Machine learner: el modelo matem谩tico que se encarga de tomar los datos de entrenamiento y aprender con base en ellos.

  4. Prediction model: despues del entrenamiento, se puede usar como un modelo predictivo. Al introducir datos nuevos, se deberian tener resultados diferentes.

  5. Stats: evaluacion del modelo. En este sentido se debe estudiar la posibilidad de sobreajuste o subajuste.

Regresi贸n lineal
Es un algoritmo de aprendizaje supervisado que se orienta a la prediccion, ejemplos:

  • prediccion del crecimiento de la poblacion,
  • prediccion del clima,
  • prediccion del mercado.

![](

Regresi贸n Lineal


La regresi贸n lineal es un algoritmo de aprendizaje supervisado que se utiliza en Machine Learning y en estad铆stica.

En estad铆sticas, regresi贸n lineal es una aproximaci贸n para modelar la relaci贸n entre una variable escalar dependiente 鈥測鈥 y una o mas variables explicativas nombradas con 鈥淴鈥.

Recordemos r谩pidamente la f贸rmula de la recta:

Y = mX + b

Donde Y es el resultado, X es la variable, m la pendiente (o coeficiente) de la recta y b la constante o tambi茅n conocida como el 鈥減unto de corte con el eje Y鈥 en la gr谩fica (cuando X=0).


Aqu铆 vemos un ejemplo donde vemos datos recabados sobre los precios de las pizzas en Dinamarca (los puntos en rojo) y la l铆nea negra es la tendencia. Esa es la l铆nea de regresi贸n que buscamos que el algoritmo aprenda y calcule s贸lo.

  • La regresi贸n lineal es un campo de estudio que enfatiza la relaci贸n estad铆stica entre dos variables continuas conocidas como variables de predicci贸n y respuesta . (Nota: cuando hay m谩s de una variable predictora, se convierte en regresi贸n lineal m煤ltiple).

  • La variable predictora se denota con mayor frecuencia como x y tambi茅n se conoce como variable independiente.

  • La variable de respuesta se denota con mayor frecuencia como y y tambi茅n se conoce como variable dependiente.

Interesante este tema. Saludos desde VENEZUELA

Me gustar铆a conocer todos 馃槃

El curso de Introduccion al Machine Learning que menciona el profe, especificamente la clase en donde muestra el grafico es esta:
https://mintic.platzi.com/clases/1701-mintic-machine-learning/22501-los-algoritmos-mas-usados-en-machine-learning/

Les comparto un Algorithm cheat-sheet :
Link

<h3>Ahora veremos un grafico del ciclo de vida de un modelo de Machine Learning:</h3>
  • La primera parte es tener las observaciones etiquetadas, o sea, los datos con lo que vamos a trabajar.
  • Despu茅s vamos a asignar un 70% de los datos para entrenamiento y un 30% porciento de los datos, para validar el entrenamiento.
  • Ahora lo que haremos ser谩 llevarlo a la parte del aprendizaje, el modelo de aprendizaje. B谩sicamente lo que se hace en esa parte es llevar tus datos de entrenamiento para que el modelo aprenda.
  • Cuando ya este entrenado el Machine Learner, se convertir谩 en un modelo predictivo, osea, le podemos dar datos nuevos y el modelo dar谩 resultados diferentes.


Y al final, son las stats, osea la evaluaci贸n que tiene el modelo.

Hay que recordar que no hay que caer en overfitting and underfitting, que no es nada mas que sub y sobre ajuste del modelo, ya que si est谩 as铆 no va a funciona. Para esto se debe re entrenar si es necesario.


<h3>驴Qu茅 es una regresi贸n?</h3>

Es un modelo matem谩tico usado para aproximar la relaci贸n de dependencia entre una variable dependiente Y, las variables independientes X岬 y un t茅rmino aleatorio 蔚.

<h3>驴Qu茅 uso le podemos dar a la regresi贸n?</h3>
  • Estimar el crecimiento de una poblaci贸n.
  • Predicci贸n del clima.
  • Predicci贸n del mercado.



Me gustaria conocer el step by step teor铆a de regresiones Lasso

Regresi贸n: predecir el valor de una variables a predecir est谩 asociada a una variable continua. Ej: forecast de ventas
Clasificaci贸n: predecir el valor de una variable que est谩 asociada a variables discretas. Ej: clasificador de noticias entre policiales, m煤sica y deportes.

Les dejo mis apuntes por si les interesa.

Saludos

Los algoritmos m谩s utilizados en Aprendizaje Supervisado son:

  • k-Nearest Neighbors

  • Linear Regression

  • Logistic Regression

  • Bayesian Classifiers

  • Decision Tress and Random Forest

  • Neural Networks

Clasificaci贸n vs Regresi贸n

Clasificaci贸n:

  • predicci贸n de bajas en, por ejemplo, un servicio de telefon铆a. El objetivo en este caso es detectar los patrones de comportamiento de los clientes que sirven para predecir si se van a ir a la competencia.

Regresi贸n:

  • La regresi贸n, en cambio, predice un n煤mero, como por ejemplo cu谩l va a ser el precio de un art铆culo, o el n煤mero de reservas que se har谩n en mayo en un hotel.
        ~ Partes del Proceso de Machine Learning  ~

1.- Labded Observations (Observaciones etiquetadas).
2.- Set Tranning (Set de entrenamiento) y Set Test (Set de Pruebas)
3.- Machine Learner
4.- Prediction model
5.- Stats (Evaluaci贸n del modelo)

                              Regresi贸n Lineal

Es un algoritmo de aprendizaje que supervisa que orienta a la predicci贸n de una situaci贸n o tendencia.

Formula:
Y = mX + b

Buena la explicaci貌n

Vamo a darle

Ejemplo de las t茅cnicas de clasificaci贸n y regresi贸n.


Fuente

Por lo general, la regresi贸n se emplea en grandes conjuntos de datos hist贸ricos que se correlacionan.

El tema de los algoritmos de grafos me llama mucho la atenci贸n, como plataformas tipo Uber pueden predecir rapidamente la ruta m谩s adecuada y su valor.

ME gustar铆a mucho aprender Arboles de Decisi贸n!

Ya manejo la regresi贸n lineal y sin duda alguna qued茅 con ganas de aprender los otros algoritmos.

Explicaci贸n de regresi贸n

Se siente como si los temas fueran muy abrumadores pero Ricardo transmite confianza, a echarle ganas

Me gustar铆a conocer el modelo de regresi贸n log铆stica esto con rl fin de saber di tiene alguna relaci贸n con IO

De acuerdo a la primera imagen:

  1. Observaciones etiquetadas.

  2. Tener un set de entrenamiento y set o test de prueba que vamos a utilizar para validar. El modelo que se va encargar de los datos de entrenamientos y aprender en base en ellos. Se va a utilizar un modelo de regresi贸n.

  3. Una vez se entrene, vamos a usarlo como modelo de predicci贸n.

  4. Stats , estad铆sticas y evaluaci贸n que tiene el modelo. Aqu铆 es donde se eval煤a la eficiencia del modelo.

Interesante tema, vamos a darle

Se usa para predecir series

Regresi贸n y Clasificaci贸n!

Regresi贸n es utilizada para predecir variables num茅ricas, Clasificaci贸n para variables categ贸ricas.

Gran resumen, genial.

me encantar铆a que puedan tocar los algoritmos como PCA y SVD

Regresi贸n Linean : Encontrar la recta que mejor se acomode a nuestros datos de entrenamiento
Regresi贸n Log铆stica : Encontrar una forma que pueda separar nuestros datos de entrenamiento
overfitting : sobre ajuste sobre nuestros datos de entrenamiento
underfitting : no se ajusta bien a nuestros datos de entrenamiento

Estoy practicando ingles escribir, entonces estoy haciendo los res煤menes en ingles, por fa me ayudan a corregir tanto lo que entend铆 como el ingles dicho esto:

We have a set of labeled data, we divide it into two sets, one of them is used to training a model and the other to test the model. Then we have a prediction model