Mejorando el modelo

Clase 15 de 18 • Curso de Regresión Lineal con Python y scikit-learn

FELIX DAVID CORDOVA GARCIA

student•

Bueno, como estoy obsesionado con las redes neuronales, a este proyecto le metí tensorflow usando todas las columnas, sin eliminar ni crear ninguna nueva( además de las que se crearon con get_dummies) y me salió esto:

Nótese que este modelo predice mejor que el primer modelo creado, casi igual que el tercero pero no tan bien como el segundo

Luis Fernando Laris Pardo

student•

:O quedó interesante tu gráfico de los residuales ¡gracias por compartir! Yo siendo curioso, me pregunto si beneficiaría al modelo que usaras dropout entre las capas :thinking:

Tomas Dale

student•

MUCHISIMAS GRACIAS, MUY BUEN APORTE, PREGUNTA, COMO SE PODRIA HACER UNA PREDICCION? NO LOGRO HACER EL COMANDO PARA QUE DEVUELVA UN 'Y' CON PREDICCION

César Isaac González Naranjo

student•

por qué edad al cuadrado ? para qué sirve ? , darle más peso a la edad ?

Jose Manuel Rivas Márquez

student•

tengo la misma duda

Sebastian Alejandro Gómez Ardila

student•

Pensé algo similar, pero cuando realizamos

sc_y = StandardScaler().fit(y)
y_train = sc_y.transform(y_train)

los valores se normalizan, tengo la misma duda, si alguien puede ayudar a resolverla, genial

Maria Linares

student•

Es una buena práctica crear una copia de tu data frame con .copy() para poder trabajar con modelos alternativos sin arruinar tus datos originales.

César Isaac González Naranjo

student•

Me pueden explicar un poco sobre la gráfica de residuales ? no entiendo para que es o como interpretarla :D

Patricia Carolina Perez Felibert

student•

tambien me quedo esa duda

Saúl Regalado

student•

El modelo toma el valor 0.0 y cada punto es el valor real del dataset. Por lo que la "distancia" entre cada punto y la línea del 0 representa que tanto le faltó/sobró al modelo para predecir el valor real, en otras palabras el residuo

Jhon Freddy Tavera Blandon

student•

Para mejorar el modelo de regresión lineal, puedes considerar las siguientes estrategias:

Feature Engineering:

Analiza las variables existentes y busca formas de crear nuevas variables que puedan tener una mejor relación con la variable objetivo. Esto puede incluir transformaciones, combinación de variables o creación de variables dummy.

Selección de características:

Evalúa la importancia y relevancia de cada variable en el modelo. Puedes utilizar técnicas como la correlación, la importancia de características o la eliminación recursiva de características para seleccionar las variables más significativas.

Regularización:

Considera el uso de técnicas de regularización como la regresión ridge o la regresión lasso para reducir la complejidad del modelo y evitar el sobreajuste. Estas técnicas penalizan los coeficientes de las variables menos relevantes.

Manejo de valores atípicos:

Identifica y maneja los valores atípicos en tus datos. Los valores atípicos pueden afectar negativamente el rendimiento del modelo y distorsionar los resultados. Puedes eliminarlos, imputarlos o utilizar técnicas robustas para minimizar su impacto.

Validación cruzada:

Utiliza la validación cruzada para evaluar el rendimiento del modelo de manera más robusta. Esto te permite obtener estimaciones más precisas del rendimiento y asegurarte de que el modelo generaliza bien a nuevos datos.

Regularización de hiperparámetros:

Ajusta los hiperparámetros del modelo, como la tasa de aprendizaje o el parámetro de regularización, utilizando técnicas como la búsqueda en cuadrícula o la optimización bayesiana. Esto te permite encontrar la configuración óptima que maximice el rendimiento del modelo.

Ignacio Milesi

student•

Se puede verificar la relacion bien marca entre un pasiente con sobrepeso y fumador con los costos:

La grafica se puede obtener con:

sns.scatterplot(data = df_second[['age', 'charges', 'sobrepeso*fumador' ]],

x = "age",

y = "charges",

hue= 'sobrepeso*fumador')

Yonatan Efraín Jara Boza

student•

Buenas, sobre la tabla resumen, a partir de que se muestra en columnas el estadìstico t y el valor p, entiendo que esto esta relacionado con la parte inferencial de la estadìstica, en la que el 0.05 es por el nivel de significancia 5% y que cuando el p-value era menor que este 0.05 se rechazaba una hipótesis nula. La pregunta es: Cómo entender intuitivamente que al ver estos valores-p algunos me servirán y otros no sabiendo esta base estadística? Cuál es la hipótesis nula aquí si es que la hay? Qué quiere decir que una variable es igual a 0 (se menciona en 9:05)?

Juan Jose Sepulveda Calderon

student•

¿Con qué criterio se debe crear nuevas variables?

Javier Arrieta

student•

Vale pero como puedo pasarle datos para que realice una prediccion? porque a mi pensar falta explicar eso, nose como pasarle los datos necesarios para que el modelo haga su trabajo y me haga una preccion, por ejemplo un paciente con 60 años, que fuma pero no es obeso, y ademas tiene 2 hijos

Gerardo Mayel Fernández Alamilla

student•

muy buena pregunta, lo que mencionas sería poner a tu modelo en producción hay varias maneras, una es un batch, es decir podrías tener los nuevos datos que quieres predecir en un archivo cdv, cargarlos y hacer la predicción, el modelo puede exportarse como archivo .pkl , es decir el modelo entrenado, y después cargarlo com la librería job lib, una vez cargado puedes empezar a hacer predicciones en nuevos datos, es importante que esos nuevos datos tengan la misma estructura que los datos con los que entrenaste el modelo, te dejo un ejemplo de una nueva predicción considerando los datos que mencionaste en el.ejemplo y complete los otros datos que no mencionaste , este código puedes incorporarlo a tu notebook ara empezar a hacer nuevas predicciones en mi caso el segundo modelo entrenado lo llamé model_2

model_2.predict([[60, 30.64, 2, 3600, 0, 1, 1, 0, 1, 0, 0]])

se obtiene el resultado:

array([[254.14142089]])

Cristian Enrique Cuevas Mercado

student•

aun así existe presencia de heterocedasticidad en los residuos

Alejandro Collado Valverde

student•

Como es posible que con los mismos datos y el mismo codigo me esten dando valores distintos en los coeficientes?

Andrés Fernández

student•

La mejor clase del curso!

Ángel Samuel Suesca Ríos

student•

Es fundamental entender estadística inferencial para poder saber qué tan aceptable es cada uno de los coeficientes, y qué tan buena es su estimación.

sebastián Giraldo Vargas

student•

Por qué al utilizar metrics el r2 me da negativo, pero en el summary me lo muestra positivo?. afecta en algo?

José Fernando Aguilar Arredondo

student•

Hola Sebastián, podrías mostrarme tu código, por favor :) Y ver que es lo que paso.

Andres Sanchez

student•

¿Con qué criterio sé cuáles variables elevar al cuadrado y cuáles no?

Yonatan Efraín Jara Boza

student•

Otra cuestión, el contexto es que yo he estandarizado X_train y X_test ambos a partir de ajustar el modelo de estandarización a solo X_train (no a todo X), y no he estandarizado ni Y_train ni Y_test, esto por los aportes de mis compañeros y lecturas por foros sobre que practicas usa la comunidad. . Entonces he seguido los pasos explicados del video para mejorar el modelo y me resulta todo muy similar incluyendo que elijo las mismas variables para el modelo final, la diferencia es en el p-value del intercepto pues me da 0.000000 (no 0.85 o 0.66 como en el video). . Esto qué significado tiene? Cuál es el análisis que se le puede dar? . Por si acaso, también he probado con la ruta de estandarizaciones de variables del docente y me dió valores similares a los del video para todos los p-value, o sea parece que las estandarizaciones fueron las determinantes.

Francisco Alberto Cervantes Rodríguez

student•

Una vez hecho el segundo modelo (antes de eliminar las variables) decidí graficar la relación entre la Edad y el Cargo:

Para esto usé el siguiente código:

plt.scatter(X_test[:,5], y_test, label='test')
plt.scatter(X_test[:,5], y_predict, label='predict')
plt.xlabel('Edad normalizada')
plt.ylabel('Cargo normalizado')
plt.legend(loc=(1.02,0.5))
plt.show()

Me sorprendió lo parecido que son los datos predecidos con los del test! Ver este tipo de cosas sólo me hacen querer continuar más en esto. Muchas gracias profesor!!

Alberto Gonzalez

student•

Voy a probar el código que muestras en tu aporte, me ha interesado bastante! Esta área del análisis de lbig data con machine learning es bien interesante.

Gerardo Mayel Fernández Alamilla

student•

por qué la edad al cuadrado podría ayudar al modelo:

Podría haber una relación cuadrática entre la edad y la variable de respuesta. Por ejemplo, si se trata de un conjunto de datos de seguros, los costos podrían aumentar a un ritmo acelerado a medida que las personas envejecen debido a un mayor riesgo de problemas de salud

Jeinfferson Bernal G

student•

Interesante conclusion!

Daniel Felipe Niño Sanabria

student•

Me quedo la duda de como utilizar el modelo 2 ya en la practica con valores "x" que necesitemos utilizar, lo probé de la siguiente forma, aunque me sale un mensaje de advertencia, si alguno me puede corroborar que esa es la forma adecuada de hacerlo le agradezco:

# Paso 1: Preparar los nuevos datos
new_data = pd.DataFrame({
    'feature1': [1,1,0],  # Reemplaza con los valores reales
    'feature2': [1,0,1],
    'feature3': [900,400,500],
    'feature4': [2,0,1],
    # Agrega aquí las demás características
})

# Paso 2: Aplicar el escalado utilizando el StandardScaler entrenado previamente
new_data_scaled = sc_x.transform(new_data)

# Paso 3: Realizar la predicción con el modelo entrenado
predicted_scaled = model.predict(new_data_scaled).reshape(-1, 1)

# Paso 4: Invertir la transformación de escalado para obtener las predicciones en su escala original
predicted = sc_y.inverse_transform(predicted_scaled)

# Las predicciones se encuentran ahora en la variable 'predicted'
print(predicted)

El mensaje de adverttencia que me genera es el siguiente: X has feature names, but StandardScaler was fitted without feature names.

Marcos Ireneo Barbas

student•

Les dejo algunos algunos features nuevos que realmente dan un buen aporte al modelo

second_df['bmi2'] = second_df['bmi'] **2
second_df['age2'] = second_df['age'] **2
second_df['sobrepeso'] = (second_df['bmi'] >= 30).astype(int)
second_df['sobrepeso_region_sudeste'] = second_df['sobrepeso'] * second_df['region_southeast']
second_df['sobrepeso_fumador'] = second_df['sobrepeso'] * second_df['smoker_yes']
second_df['fumador_con_riesgo'] = second_df['smoker_yes'] * (second_df['age'] > 34).astype(int)