Regresión Lineal: Predicción y Evaluación de Modelos Numéricos
Contenido del curso
Axel Yaguana
Team Platzi
DIEGO ALEXANDER CASTELLANOS SANTAMARIA
Rafael Rivera
damon steve valenciano
Juan R. Vergara M.
Julián Cárdenas
Paola Alapizco
Jeinfferson Bernal G
Matías Collado
Alejandro Toledo Cuenca
Daniella Arriola
Platzi
Isaac Bryan Ascanoa Roncall
Diego Hurtado
Jhon Freddy Tavera Blandon
Escribí un tutorial sobre el modelo de regresión lineal. Puedes encontrar el artículo acá: https://platzi.com/tutoriales/1766-regresion-python/11159-de-donde-viene-el-algoritmo-de-regresion-lineal/
interesante articulo! gracias por compartir!
Gran aporte, gracias por compartir
Linear Regression : parameters
different parameters change what we think of a relation between input features (X) and the output target (y_pred).
y{pred}=w_1x+w_0_
w_1= a change in “x” means a change in "y" w_0= the value of “y” if “x” is 0
Linear Regression : cost function
Mean-square Error
(MSE) Loss :
The cost (E) is the difference between the target value (y_i) and our line predicted value (y_pred)
j\left(w,:w_0\right)=\frac{1}{N}\sum {i=1}^N:\left(y_i-y{i:pred}\right)^2
Linear Regression : actualization rule
We want to minimize the distance (y_i pred) above each point on training data We change w_0 and w_1 'til find a smaller distance sum is found
_update rule = min J(w_0, w_1) _
pd: i want to add the screenshot, but i don’t know why doesn’t let me, it pop up an error:
Thank you so much
Good summary dude!
📝 Dejo aquí mi resumen de la clase
📌 La regresión lineal se utiliza en problemas de predicción numérica a partir de las características de los datos.
Sin embargo éste algoritmo no funciona bien con datos complejos o que no tienen un comportamiento lineal.
🎯 El objetivo de este algoritmo es encontrar una línea recta que mejor se ajuste a los datos, en otras palabras que la recta se acerque mas a los datapoints.
Para el algoritmo de regresión lineal, el proceso de decisión es la combinación lineal entre pesos y los valores de entrada (x), mientras que la función de coste nos dice el promedio de que tan buenas o certeras son las predicciones del modelo, por otro lado la regla de actualización es la manipulación de los pesos para que logren un mejor ajuste de la línea de predicción.
Rendimiento
Cabe la pregunta Cuando sabemos que mi modelo ML esta funcionando bien? En el caso de una regresion lineal utilizamos el Error Cuadratico Medio que es un cierto valor de la funcion de error o un termino llamado R cuadrado, que viene a ser la correlacion entre los valores de entrada y la salida que buscas predecir. Con tales valores puedes decir si tu relacion es fuerte o debil dependiendo de la cifra arrojada. Para R cuadrado, un valor cercano a 1 indica una estrecha relacion entre X e Y. Valores cercanos a 0 indica una relacion muy mala.
Impecable. Que gran profe. Ojala tenga mas cursos en la plataforma.
As far as I know R^2 is not the correlation coefficient.
R=correlation coefficient
R^2 is coefficient of determination which can be interpreted as a percentage of how much variable x explains variable y.
hola! no podemos obtener la presentacion?
Lo siento, pero no es posible obtener la presentación en este momento.
Me agrada este concepto de regresion lineal. Ya quiero conocer y aprender aplicarlo y desarrollarlo con scikit-learn.
El link en los recursos tiene un error 404
Regresión lineal
from sklearn.linear_model import LinearRegression import numpy as np # Datos de ejemplo X = np.array([[1], [2], [3], [4], [5]]) # Variables independientes y = np.array([2, 4, 6, 8, 10]) # Variable dependiente # Crear el modelo de regresión lineal model = LinearRegression() # Ajustar el modelo a los datos model.fit(X, y) # Realizar predicciones X_new = np.array([[6], [7]]) # Nuevos datos para predecir predictions = model.predict(X_new) print("Coeficientes:", model.coef_) # Coeficientes de las variables independientes print("Intercepto:", model.intercept_) # Término de intercepción print("Predicciones:", predictions) # Predicciones para los nuevos datos
Regrecion lineal parametros
from sklearn.linear_model import LinearRegression # Datos de ejemplo X = [[1], [2], [3], [4], [5]] # Variables independientes y = [2, 4, 6, 8, 10] # Variable dependiente # Crear el modelo de regresión lineal model = LinearRegression() # Ajustar el modelo a los datos model.fit(X, y) # Obtener los parámetros estimados intercept = model.intercept_ # Término de intercepción coefficients = model.coef_ # Coeficientes de las variables independientes print("Término de intercepción:", intercept) print("Coeficientes:", coefficients)
Regresión lineal: función de coste
MSE = (1/n) * sum((y - y_pred)^2)
import numpy as np def mean_squared_error(y_true, y_pred): n = len(y_true) mse = np.sum((y_true - y_pred) ** 2) / n return mse
