La regresión lineal múltiple es la gran técnica estadística para comprobar hipótesis y relaciones explicativas
Introducción al curso
Tu primera regresión lineal con scikit-learn
Análisis de datos para tu primera regresión lineal
Entrenando un modelo de regresión lineal con scikit-learn
Cómo funciona la regresión lineal
¿Qué es la regresión lineal?
Cuándo utilizar un modelo de regresión lineal
Función de pérdida y optimización: mínimos cuadrados
Evaluando el modelo: R^2 y MSE
Quiz: Cómo funciona la regresión lineal
Regresión lineal multivariable
Regresión lineal multivariable
Análisis de regresión multivariable
Proyecto práctico
Regresión lineal para predecir los gastos médicos de pacientes
Exploración y preparación de datos
Análisis de correlación de los datos
Entrenamiento del modelo
Evaluando el modelo
Mejorando el modelo
Quiz: Proyecto práctico
Pasos siguientes
¿Qué hay más allá de la linealidad?
Siguientes pasos en modelos de inteligencia artificial
Comparte tu proyecto de regresión lineal y certifícate
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Aportes 13
Preguntas 2
La regresión lineal múltiple es la gran técnica estadística para comprobar hipótesis y relaciones explicativas
Notar que:
X = df[[‘RM’,‘INDUS’]].values
y = df[‘MEDV’].values.reshape(-1,1)
StandardScaler acepta arreglos de 2 dimensiones razon por la cual ya no usamos el reshape(-1,1)
En la regresion lineal múltiple hay que considerar que las variables independientes que agregue al modelo no se encuentren altamente correlacionada eso puede implicar en problemas de multicolinealidad
La regresión lineal multivariable es una técnica estadística utilizada para modelar la relación entre una variable dependiente y múltiples variables independientes. A diferencia de la regresión lineal simple, que involucra una única variable independiente, la regresión lineal multivariable considera varios predictores para predecir el valor de la variable dependiente.
En términos matemáticos, la regresión lineal multivariable se puede expresar como:
y = β0 + β1x1 + β2x2 + ... + βn*xn + ε
Donde:
y es la variable dependiente que queremos predecir.
x1, x2, ..., xn son las variables independientes o predictores.
β0 es el término constante o intercepto.
β1, β2, ..., βn son los coeficientes que representan las pendientes de cada predictor.
ε es el término de error o residual, que captura la variabilidad no explicada por el modelo.
La regresión lineal Multivariable, tiene mucha aplicación en series temporales, por ejemplo en industrias, donde tienes que calcular densidades de fluidos, pero estos varían por la presión, temperatura y velocidad del fluido.
Ahora, tu podrías mejorar tu predicción, utilizando diferentes modelos de regresión, por ejemplo puede ser la lineal, exponencial de diferentes grados, la cuadrática, logarítmica, etc … Analizando los valores del error cuadrático medio y R2, podemos notar cual modelo se ajusta mejor para nuestra pedicción con los datos que tenemos
------>Regresión lineal multivariable<--------
σ Aprenderemos a usar regresion linearl con multiples varibles
1 . Well, entendi que solo agrego una “variable” reutilizando el ejemplo del principio, y en vez de que el modelo solo se use " [RM] ", puso una coma y agrego. " [INDUS] "o_o
SÍ LES VOTA ERROR SOLO COPIEN Y PEGUEN EL SIGUIENTE CODIGO:
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LinearRegression
X = df[['RM','INDUS']].values
y = df['MEDV'].values.reshape(-1, 1)
sc_x = StandardScaler()
sc_y = StandardScaler()
X_std = sc_x.fit_transform(X)
y_std = sc_y.fit_transform(y)
slr = LinearRegression()
slr.fit(X_std, y_std)
Si requieren el codigo para que puedan utilizarlo, pueden usr este: #la primera línea lleva doble corchete porque en el ejemplo s usa como tupla pero hay que usarlo como dataframe x = df[[‘RM’, ‘INDUS’]].values
y = df[‘MEDV’].values.reshape(-1, 1)
sc_x = StandardScaler()
sc_y = StandardScaler()
x_std = sc_x.fit_transform(x)
y_std = sc_y.fit_transform(y)
slr = LinearRegression()
slr.fit(x_std, y_std)
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?