Función de pérdida y optimización: mínimos cuadrados

Clase 6 de 18 • Curso de Regresión Lineal con Python y scikit-learn

Andrés Fernández

student•

Es decir, la recta que mejor representa los datos, es aquella en la que la distancia desde los puntos hasta la recta es menor.

Jeison Mesa Diez

student•

Exacto! es la recta que minimiza todos los errore

Juan R. Vergara M.

student•

Así es.

Cristian Enrique Cuevas Mercado

student•

para aplicar minimo cuadrado se necesita varios supuesto que en el mundo de Machine learning no suelen mencionar, como linealidad, normalidad y homocedasticidad

Jeison Mesa Diez

student•

muchas veces suelen sobre-utilizar el teorema del limite central (donde esos errores son normales identicamente distribuidos) el problema de la homocedastiicidad se identifica graficando los errores versus los valores predichos (y para algunos pasos sería mejor un modelo de efectos mixtos).

Jhon Freddy Tavera Blandon

student•

La función de pérdida de mínimos cuadrados se define matemáticamente de la siguiente manera:

L = Σ(y - ŷ)²

Donde:

L es la función de pérdida.
Σ es el símbolo de suma.
y son los valores reales de la variable dependiente.
ŷ son los valores predichos por el modelo.

Julián Cárdenas

student•

Buen sumarry y aporte compañero!

Hugo Montoya Diaz

student•

Minimos cuadrados

Juan R. Vergara M.

student•

✔👍

Samit Arias

student•

Pero porque exactamente se escoge esa función de perdida y optimización, siendo que hay otras?

Abraham Sinue Salinas Moreno

student•

Hola Samit, buenas tardes, son las más comunes que se usan, el descenso del gradiente es el mas usado en temas de optimización no lineal, matemáticamente hablando es un algoritmo óptimo ya que este consigue en cada iteración un mínimo local de la función a minimizar .

Dick Saide Suárez Blanco

student•

------>Funcion de perdida y optimizacion: minimos cuadrados.<--------

σCuatro pasos para hacer un algoitmo 1 . Ajustar el modelo +Crear una linear recta: Es decir, la recta que mejor representa los datos, es aquella en la que la distancia desde los puntos hasta la recta es menor. 2 . Comparar resultados con los reales. +Para entender que tal son las predicciones vs la realidad. 3 . Se ajustan pesos en el modelo. +Tendras funciones que daran el resultado final a tu modelo, es importante. ajustarlos. 4. Regreso a paso inicial si no se converge. +Si el modelo funciona, entonces esta listo para ser probado

σ Despues se muestra la linea roja, la cual representa la informacion original. Y una linea formada de muchisimos puntos (como si fuera un tipo proyeccion / holograma), el cual representa la prediccion que se hizo.

σ Se explica que cuando se habla de los "pesos en el modelo", se explica que estos son w0 + w1X (dentro de la formula vista en la otra clase). Explica que para ejecutar un algoritmo: a) Es la funcion de perdida. +La cual ayuda a entender lo buenas (o no) que son las predicciones hechas. +En ese caso se usa el metodo de los minimos cuadrados. b) Algoritmo de optimizacion. +El cual el mas comun es el de "descenso del gradiente".

Antonio Demarco Bonino

student•

Esta es la ecuación del MSE:

También dejo este código para que vean como se comporta el MSE:

import numpy as np
import matplotlib.pyplot as plt

def mse(y_true, y_pred):
    return np.mean((y_true - y_pred)**2)

x = np.array([1, 2, 3, 4, 5])
y_true = np.array([1, 2, 3, 3.5, 5])
y_pred = np.array([1, 2, 2.8, 4, 4.5])

error = mse(y_true, y_pred)

plt.scatter(x, y_true, color="blue", label="Valores Reales")
plt.plot(x, y_pred, color="red", label="Línea Predicha")
plt.title(f"Regresión Lineal con MSE = {error:.2f}")
plt.xlabel("X")
plt.ylabel("Y")
plt.legend()
plt.legend(loc='upper left', bbox_to_anchor=(1, 1), fancybox=True, shadow=True)
plt.grid(True)
plt.show()

Jesús Andrés Báez Pérez

student•

Función de perdida:

Te va ayudar a entender que tan buenas son tus predicciones respecto a los datos reales

Juan R. Vergara M.

student•

Gran cita.

Fernando Saldivar Ceron

student•

Excelente aportacion

Juan Acevedo

student•

La función de pérdida nos ayuda a entender qué tan buena es la predicción que hicimos en comparación con los datos reales. Esta función devuelve la diferencia entre el valor real y el valor predicho, lo que nos permite ver básicamente la distancia que hubo entre la recta y el dato real.

El objetivo de la optimización es reducir al máximo esa distancia entre lo predicho y lo real, de manera que, al recibir un nuevo valor, este se ajuste a la línea ya definida.

Dicha línea se ajusta mediante unos pesos (w), los cuales se modifican durante el proceso de optimización en función de cómo cambian los datos y cómo varía la predicción cuando x aumenta en una unidad, hasta encontrar los mejores pesos que logren el ajuste más preciso posible.

Mario Alexander Vargas Celis

student•

En regresión lineal, la función de pérdida más común es la de mínimos cuadrados. Aquí te explico qué es y cómo se usa para la optimización del modelo:

🎯 ¿Qué es la función de pérdida de mínimos cuadrados?

Es una función que mide el error entre los valores predichos por el modelo y los valores reales. La idea es minimizar ese error durante el entrenamiento.

📐 Definición matemática

Dada una muestra de datos con n observaciones:

Peˊrdida=∑i=1n(yi−y^i)2\text{Pérdida} = \sum_{i=1}^{n} (y_i - \hat{y}_i)^2

Donde:

yiy_i = valor real
y^i\hat{y}_i = valor predicho por el modelo
La diferencia yi−y^iy_i - \hat{y}_i se llama residuo
Se eleva al cuadrado para:
- Penalizar más los errores grandes
- Evitar que errores positivos y negativos se cancelen

Esta pérdida también se conoce como Error Cuadrático Total (SSE) o Suma de los errores al cuadrado.

🛠 ¿Cómo se optimiza?

El modelo de regresión lineal busca los coeficientes (pendientes y término independiente) que minimizan esta función de pérdida.

Esto se puede hacer con:

Solución analítica (ecuación normal): Para modelos pequeños o simples.
Descenso del gradiente: Método iterativo que ajusta los coeficientes paso a paso en la dirección que reduce el error.

📉 ¿Por qué mínimos cuadrados?

Porque es:

Rápido y computacionalmente eficiente.
Fácil de interpretar.
Funciona bien si los errores siguen una distribución normal.

📌 En Python con scikit-learn:

Cuando usas:

from sklearn.linear_model import LinearRegression modelo = LinearRegression() modelo.fit(X, y)

Internamente se está minimizando la función de mínimos cuadrados para encontrar los mejores coeficientes.

Jose Antonio Cano Román

student•

Los mínimos cuadrados son un método utilizado para estimar los parámetros de un modelo de regresión lineal. El error cuadrático medio (ECM) es una medida que se utiliza para evaluar la calidad de la estimación del modelo; efectivamente, el método de mínimos cuadrados busca minimizar el ECM. En resumen, mientras que los mínimos cuadrados son la técnica para ajustar el modelo, el ECM es el criterio que se minimiza durante este proceso.

Jose Antonio Cano Román

student•

La función de pérdida es un componente crucial en el entrenamiento de modelos de machine learning, especialmente en redes neuronales. Se utiliza para medir qué tan bien se está desempeñando el modelo al hacer predicciones. En términos simples, esta función calcula la diferencia entre las predicciones del modelo y los valores reales. Un valor más bajo de la función de pérdida indica un mejor rendimiento del modelo. Durante el entrenamiento, el objetivo es minimizar esta función, ajustando los parámetros del modelo a través de técnicas como el descenso del gradiente.

Isaac Bryan Ascanoa Roncall

student•

Es interesante el uso de la funcion de perdida. Estos metodos los desconocia por completo. Ahora se que los debo aplicar para tener la mejor regresion lineal. Probar y probar.

Stanley Melgar

student•

El tema del descenso del gradiente es un tema muy interesante en el cual todos deberíamos profundizar.

Gerardo Mayel Fernández Alamilla

student•

agregaría que el cuadrado de la función se agrega para obtener el valor absoluto de la diferencia de la predicción vs el real, por ejemplo si el valor original es 0 y la predicción original es 2 entonces el error es 2 al cuadrado 4, si la predicción es -2 entonces otra vez el error al cuadrado sigue siendo 4, por lo tanto la variación será la raíz de las diferencias en este caso 2, significa que el error está en +/- 2 unidades con respecto al valor real

Sebastian Gaviria

student•

Por si quieren el código de Markdown:

$\hat{y}$ = W<sub>0</sub> + W<sub>1</sub>X

Diego Jurado

student•

Asi explicado tiene sentido, estaba claro que la linea azul no se ajustaba a los datos.

Fidel Moreno

student•

Función de perdida y algoritmo de Optimización

import numpy as np
import matplotlib.pyplot as plt

def mse(y_true, y_pred):
    return np.mean((y_true - y_pred)**2)

x = np.array([1, 2, 3, 4, 5])
y_true = np.array([1, 2, 3, 3.5, 5])
y_pred = np.array([1, 2, 2.8, 4, 4.5])

error = mse(y_true, y_pred)

plt.scatter(x, y_true, color="blue", label="Valores Reales")
plt.plot(x, y_pred, color="red", label="Línea Predicha")
plt.title(f"Regresión Lineal con MSE = {error:.2f}")
plt.xlabel("X")
plt.ylabel("Y")
plt.legend()
plt.legend(loc='upper left', bbox_to_anchor=(1, 1), fancybox=True, shadow=True)
plt.grid(True)
plt.show()

Función de pérdida y optimización: mínimos cuadrados

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

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

Pasos siguientes

¿Qué hay más allá de la linealidad?

Siguientes pasos en modelos de inteligencia artificial

Comparte tu proyecto de regresión lineal y certifícate