Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clase 9 - Regresión Lineal Con Múltiples Variables
Clase 9 - Regresión Lineal Con Múltiples Variables
Inteligencia de Negocios
Regresión Lineal con Múltiples Variables
Facultad de Ingeniería
Universidad Mayor
II Semestre 2016
Contenido
Modelo
Representación del Modelo
Función de Costo
Regresión Polinómica
Introducción
Elección de Características
Hipótesis: hθ (x) = θ0 + θ1 x
Notación:
I m = Número de ejemplos de entrenamiento.
I n = Número de características (variables).
I x(i) = Input (característica) j en el iésimo ejemplo de entrenamiento.
j
I y (i) = Output (variable a predecir) del iésimo ejemplo de entrenamiento.
Conjunto Entrenamiento
Algoritmo de Aprendizaje
¿Cómo representamos h?
Hipótesis previa:
hθ (x) = θ0 + θ1 x
Hipótesis actual:
hθ (x) = θ0 + θ1 x1 + θ2 x2 + · · · + θn xn
Función de Costo
Función de Costo
Hipótesis:
hθ (x) = θT x = θ0 x0 + θ1 x1 + θ2 x2 + · · · + θn xn
Parámetros:
θ0 , θ1 , . . . , θn
Función de Costo:
m
1 X
J(θ0 , θ1 , . . . , θn ) = (hθ (x(i) ) − y (i) )2
2m i=1
Objetivo:
min J(θ0 , θ1 , . . . , θn )
θ0 ,θ1 ,...,θn
hθ (x) = θT x = θ0 x0 + θ1 x1 + θ2 x2 + · · · + θn xn
Función de Costo:
m
1 X
J(θ0 , θ1 , . . . , θn ) = (hθ (x(i) ) − y (i) )2
2m i=1
∂ (actualizar θj simultáneamente
θj := θj − α J(θ0 , θ1 , . . . , θn )
∂θj para j = 0, 1, . . . , n)
}
Inteligencia de Negocios Facultad de Ingeniería Universidad Mayor
Modelo Descenso del Gradiente Regresión Polinómica
repetir {
m
1
X
(i) (i) (i)
Previamente (n = 1): θj := θj − α (hθ (x )−y ) · xj
m
i=1
repetir {
m (actualizar θj simultáneamente para j = 0, 1, . . . , n)
1 X
θ0 := θ0 − α (hθ (x(i) ) − y (i) )
m } m
i=1
1
X
(i) (i) (i)
m θ0 := θ0 − α (hθ (x )−y ) · x0
1 X (i) m
θ1 := θ1 − α (hθ (x(i) ) − y (i) ) · x1 i=1
m m
i=1
1
X
(i) (i) (i)
θ1 := θ1 − α (hθ (x )−y ) · x1
m
(actualizar θ0 y θ1 simultáneamente) i=1
m
1
X
} θ2 := θ2 − α (hθ (x
(i)
)−y
(i) (i)
) · x2
m
i=1
···
Escalamiento de Variables
(i)
Reemplazar cada dato (xj ) por el normalizado:
(i)
(i) xj − µj
xj ←
sj
No aplicar a x0
Inteligencia de Negocios Facultad de Ingeniería Universidad Mayor
Modelo Descenso del Gradiente Regresión Polinómica
Tasa de Aprendizaje
Tasa de Aprendizaje
∂
θj := θj − α J(θ)
∂θj
I Cómo nos aseguramos que el descenso del
gradiente funcione correctamente.
Tasa de Aprendizaje
Tasa de Aprendizaje
I Realizar un test de convergencia: en cada iteración J(θ)
debería decrecer.
I Declarar convergencia si J(θ) decrece menos que = 10−3 en
una iteración.
I Si el descenso del gradiente no está funcionando, utilizar un α
más pequeño.
I Para un α suficientemente pequeño, J(θ) debería decrecer en
cada iteración.
I Pero si α es muy pequeño, el descenso del gradiente podría
tardarse mucho en converger.
Para escoger α, tratar con
Introducción
Regresión Polinómica
Predicción de precios de casas
hθ (x) = θ0 + θ1 x
Inteligencia de Negocios Facultad de Ingeniería Universidad Mayor
Modelo Descenso del Gradiente Regresión Polinómica
Introducción
Regresión Polinómica
400
x x x
Precio (y)
300 x
x x x
200 x x
x
100 x
0
0 500 1000 1500 2000 2500
Tamaño (x)
hθ (x) = θ0 + θ1 x1 + θ2 x2 + θ3 x3
hθ (x) = θ0 + θ1 (tamaño) + θ2 (tamaño)2 + θ3 (tamaño)3
Elección de Características
Escoger Características
400
x x x
Precio (y)
300 x
x x x
200 x x
x
100 x
0
0 500 1000 1500 2000 2500
Tamaño (x)
Elección de Características
Inteligencia de Negocios
Regresión Lineal con Múltiples Variables
Facultad de Ingeniería
Universidad Mayor
II Semestre 2016