KNN usando R
Teoría
Qué aprenderás y qué es Estadística Inferencial
Valor esperado condicional
Muestras y poblaciones
Muestreo
Estimadores y parámetros
Casos paramétricos y no paramétricos
El espacio de parámetros
Estimación puntual
Estimación por intervalo
Tamaño muestral
Sesgo y varianza
Teoría no paramétrica
Estimación funcional: una sola variable
Estimación funcional: valor esperado condicional
Bootstrapping
Validación cruzada
Introducción a las pruebas de hipótesis
Pruebas de hipótesis
Simulación
Teorías formales
Instalación de R
Explorando datos simulados
Simulando estimadores puntuales
Simulando intervalos de confianza
Observando el comportamiento del tamaño muestral
Estimando distribuciones simuladas
Red neuronal vs. regresión lineal
Examinando el sesgo y la varianza
Haciendo un bootstrapping a un modelo
Hagamos la validación cruzada
Revisemos la potencia de una prueba
Proyecto
Estimación de parámetros con datos reales
Estimación por intervalo de parámetros con datos reales
Red neuronal de pronóstico con datos reales
Validación cruzada de nuestra red neuronal
Calculando el tamaño óptimo de la muestra
Contextualización de la red neuronal
Conclusiones
¿Qué más sigue?
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
Estimación funcional: valor esperado condicional
14/37Recursos
Aportes 7
Preguntas 1
Ordenar por:
Quiero decir aquí a mitad de curso, que es el mejor recurso sobre estadística inferencial que he visto, ni siquiera en la universidad me lo explicaron todo tan claro
Axioma I.
A cada suceso A le corresponde un número no negativo P(A) llamado probabilidad del suceso A.
Axioma II.
P(W) = 1. L a probabilidad del espacio de sucesos elementales W es 1.
Axioma III.
Si A1, A2, … es un conjunto finito o numerable de sucesos incompatibles dos a dos, entonces:
la probabilidad de la unión de todos ellos es igual a la sumatoria de las probabilidades de todos los sucesos.
El valor esperado
condicional es una función
### Explicación del código:
* `sm.nonparametric.lowess`: Realiza un suavizado local ponderado. El parámetro `frac` controla el ancho de la ventana de suavizado (un valor más pequeño resulta en un ajuste más detallado, mientras que un valor mayor hace que la curva sea más suave).
* **Interpretación**: La línea roja representa la estimación del valor esperado condicional de Y dado X.
pésimo la clase.
● Regresión logística
● Regresión lineal
● SVM
● KNN
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?