Estudiante: JOSE FRANCISICO GUEVARA ZUÑIGA Matrícula: UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN

1884300 Facultad de Ingeniería Mecánica y Eléctrica

Materia: reconocimiento de patrones Grupo: 001 Ingeniería en IMTC
Evidencia 2 No.2
evidencia:
DEFINIR EL CONCEPTO A GRANDES Fecha:19/08/22
RASGOS DE REGRESION LINEAL.

• UTILIZANDO UNA BASE DE DATOS

APLICAR EL CONCEPTO DE
REGRESION LINEAL UTILIZANDO
(PYTHON - PUDIENDO SER SPYDER,
JUPYTER O COLAB).
o DEBE DE DESCRIBIR LA
BASE DE DATOS Y
CONCLUSION UTILIZANDO EL
CONCEPTO ADQUIRIDO.

Comentarios: Puntaje:

REGRESION LINEAL
Pongamos que necesitamos realizar una investigación
para una empresa. Esta quiere saber la relación entre
las ventas de una empresa y sus gastos en
publicidad. ¿Qué podemos hacer?
A veces, en la investigación, nos interesa saber si
existe una relación lineal entre dos variables
aleatorias. Es por eso que utilizamos el análisis de
regresión lineal.
El coeficiente que nos permite obtener este dato es el
coeficiente de correlación lineal de Pearson r, cuyo
valor oscila entre -1 y +1 (1). En los casos en los que
el coeficiente de regresión lineal se acerque a +1 o -1,
tiene sentido considerar la ecuación de la recta que
“mejor se ajuste” a la nube de puntos como un
modelado aceptable de la asociación entre las dos
variables.
Principalmente, esta recta nos permite estimar los
valores de Y que obtendríamos para distintos valores
de X. Estos conceptos quedarán representados en lo
que llamamos diagrama de dispersión. Por otro
lado, el procedimiento más usual para determinar la
recta de mejor ajuste es el de mínimos cuadrados.
Un ejemplo de la utilización del análisis de regresión
lineal
Pongamos que necesitamos realizar una investigación
para una empresa. Esta quiere saber la relación entre
las ventas de una empresa y sus gastos en
publicidad. ¿Qué podemos hacer? El análisis de
regresión lineal nos permite saber en qué grado los
gastos en publicidad explican la variable ventas.
Así, esta última variable será la variable dependiente
del modelo, mientras que la variable explicativa o
independiente serán los gastos en publicidad.
Supuestos del modelo de regresión lineal
Si nuestras observaciones son una muestra aleatoria
que viene de una población, entonces nos interesa
realizar inferencias sobre la misma. Para que estas
inferencias sean “estadísticamente razonables”, se han
de cumplir las siguientes condiciones:
• En la población, la relación entre
variables X e Y debe ser
aproximadamente lineal.
• Los residuos se distribuyen según una
curva normal de media 0.
• Además, los residuos son
independientes unos de otros.
• Los residuos tienen varianza constante.
Así, este modelo de regresión lineal es bastante
“robusto”. Ello quiere decir que no es necesario que las
condiciones anteriores se cumplan con exactitud (en
particular las tres últimas).
Utilizando una base de datos de estados de
estados unidos sobre los accidentes de
coches obtuve los siguientes valores y la
tabla de datos comparados en donde cada fila
representa un estado de estados unidos y
cada columna son características de Conclusión
En esta evidencia necesite valores y para ello utilice un
accidentes de carros
comando llamado seaborn que me ayudo a descargar los
datos de la tabla y con ello pude seguir con la realización
import seaborn as sns de la actividad utilizando comandos como el de graficar y
df = sns.load_dataset(name='car_crashes') de valores en x y y con comandos plot pude realizar con
df.head() éxito esta segunda actividad

sns.scatterplot(x='alcohol', y='total',
data=df)

import sklearn
explicativas = df[['alcohol']]
objetivo = df['total']
from sklearn.linear_model import
LinearRegression
model = LinearRegression()
type(model)
sklearn.linear_model._base.LinearRegressio
n
model.fit (X=explicativas, y=objetivo)
LinearRegression()
model.__dict__

model.predict(X=[[2]])
y_pred = model.predict(X=df[['alcohol']])
df.insert(0, 'pred' , y_pred)
df.head
sns.scatterplot(x='alcohol', y='total',
data=df)
sns.scatterplot(x='alcohol', y='pred',
data=df)
sns.lineplot (x='alcohol', y='total',
data=df, color ='red')