Scikit-Learn vs statsmodels en regresión lineal
Contenido del curso
Modelo Predictivo
Tipos de Aprendizaje
Herramientas para IA
Ciclo de Vida ML
Ética en IA
Scikit-Learn vs statsmodels en regresión lineal
Scikit-Learn vs statsmodels en regresión lineal
Contenido del curso
Dario Mendoza
Frank Stephano Alayza Herrera
Luis Cesar Guadarrama Jimenez
Boris Turcios
Boris Turcios
John Dicelis
John Dicelis
MARIA TERESA PANIAGUA RIVERA
Brenda Iliana Gallegos López
Mayra Alejandra Soto Nieto
Diego Mario Maldini Freyre
Scikit-learn es una biblioteca de Python utilizada para el aprendizaje automático (machine learning). Proporciona herramientas simples y eficientes para la minería de datos y el análisis de datos, incluyendo algoritmos de clasificación, regresión y agrupamiento. Se integra bien con otras bibliotecas como NumPy y pandas, y es especialmente útil para construir y evaluar modelos predictivos, como se mencionó en el contexto de regresión lineal en tu clase. Su interfaz es intuitiva y permite a los usuarios implementar modelos de manera rápida y efectiva.
"¡Me ha encantado esta clase! Aunque en un inicio se puede volver un poco complicada, logré utilizar un modelo de regresión lineal para un análisis de un dataset real, que trata sobre el precio de la tortilla en México. Se me hizo súper interesante, y las conclusiones, aunque simples, son de gran valor. Les dejo el link a mi análisis en Kaggle por si quieren revisarlo y hacer el suyo:
Si lo revisan, ¡me encantaría escuchar qué otras variables creen que podrían incluirse en el modelo!
mmmm interesante Kaggle.com, me gusta, pero si ahorita son cachetadas pero ahi vamos
Una pregunta Profe Frida, por que usa dos relojes, es solo curiosidad =P
Podemos dividirlo en tres puntos clave: Implementación , Resultados Estadísticos y Validación de Supuestos . Aquí tienes una propuesta que puedes copiar y adaptar en una celda de texto:
Conclusiones del Modelo de Regresión Lineal 📝
Scikit-learncomo Statsmodels (OLS). Ambos métodos arrojaron coeficientes consistentes ($Intercepto \approx -2063.41$y$Pendiente \approx 1719.51$), confirmando una relación positiva entre las Horas de Oficina y las Ventas Totales . 🚀Personas_Social) para mejorar la capacidad predictiva y reducir el sesgo. 🎯Sexperfum 🧪 se vea profesional. Vamos a estructurar los comentarios en tu cuaderno de Colab resaltando lo que aprendimos y las debilidades que encontramos, usando el lenguaje técnico correcto. ✍️
Podemos dividirlo en tres puntos clave: Implementación , Resultados Estadísticos y Validación de Supuestos . Aquí tienes una propuesta que puedes copiar y adaptar en una celda de texto:
Conclusiones del Modelo de Regresión Lineal 📝
Scikit-learncomo Statsmodels (OLS). Ambos métodos arrojaron coeficientes consistentes ($Intercepto \approx -2063.41$y$Pendiente \approx 1719.51$), confirmando una relación positiva entre las Horas de Oficina y las Ventas Totales . 🚀Personas_Social) para mejorar la capacidad predictiva y reducir el sesgo. 🎯Gracias
AttributeError: El objeto 'RegresionLinealManual' no tiene el atributo 'score'.
Esto significa que la clase RegresionLinealManual no tiene un método o atributo llamado score definido dentro de ella.
Se evaluaré la clase RegresionLinealManual utilizando los datos X_multiple e y_multiple. Imprimiré el intercepto, los coeficientes para cada característica y el valor R².
Estos mismos operaciones o ecuaciones aplicarían para cualquier tipo de dato. O siempre depende de los datos y de lo q se quiera extraer de la data?
La metodología es la misma. Sólo hay que definir qué datos ingresas en las funciones, dependiendo del dataset, es decir, de los datos que vengan del ejemplo de la vida real.
Para el ejemplo de las casas, buscamos una relación entre el precio y las demás características de una casa (tamaño, habitaciones, edad, ubicación), puedes buscar otros artículos y generar un dataset (conjunto de datos) de la misma manera, sólo cambiarán los nombres de las variables.