EJ2SEMANA1ML

November 4, 2022

[ ]: ¿Qué representan las variables A y B? - Es el dominio que se ejemplifica en el␣

,→grafico de dispersiòn

[ ]: ¿Qué representa la variable N? - La cantidad de elementos de la variable␣

,→dependiente e independiente representados en el grafico de disperciòn

[ ]: ¿Cuál es la ecuación general de una recta y = mx + b - Ax + By + C = 0, m = -A/

,→B, b = -C/B

[ ]: ¿Qué representan las variables m y b? la pendiente de la recta y la␣

,→intersección con el eje y

[ ]: ¿Para qué se utiliza la variable k y que implica en la ecuación? - Es un graod␣

,→de error que se escribe en la ecuacion que rerpesenta un indice de falta de␣

,→exactitud

[ ]: ¿Cuál debería ser la figura de x? - Opción A: (N, 2)

[ ]: ¿Cuál debería ser la figura de x? - Opción A: (N, 3)

[30]: ¿Cuál es la dimensión de X_train?

(2) - Puesto que tiene una columna
¿Cuál es la figura de X_train?
(21,1) - total de columnas y de filas de un conjunto de datos
¿Cuál es la dimensión de y?
(1) - Puesto que tiene una columna
¿Cuál es la figura de y?
(21,0) - N x 1 - total de columnas y de filas de un conjunto de datos

File "<ipython-input-30-9308da02e9f8>", line 2

(2) - Puesto que tiene una columna
^
SyntaxError: invalid syntax

1
[ ]: Si tuvieramos dos variables x1, x2 que ajusten a y, ¿Cuántos coeficientes␣
,→serían calculados?

2N
¿Qué representa m_fit?

Es la pendiente de la recta

[ ]: Si tuvieramos dos variables x1, x2 que ajusten a y, ¿Cuántas intercepciones␣

,→serían calculados?

1 pero los coficientes serian 2

¿Qué representa b_fit?

representa el punto de intercepción b o el bias de la recta y = m * x + b.

[4]: import numpy as np

N=21
print(np.random.uniform(-1, 1, N))

[ 0.351598 -0.75832233 -0.47662471 0.37473224 -0.34298066 -0.44351902

0.61110999 -0.4808667 -0.1543484 0.84974743 -0.79928714 0.07173033
0.44112271 -0.48289241 -0.99454403 0.25509961 0.71475316 -0.63481741
0.41132479 -0.5526786 0.37604104]

[29]: A = 0 # inicio
B = 10 # fin
N = 21 # mediciones
m = 3 # pendiente
b = 6 # intersección
k = 1.5 # aleatoriedad

x = np.linspace(A, B, N)
y = m * (x + np.random.uniform(-1, 1, N) * k) + b

figuray = y.shape
print(figuray)
ndimx = y.ndim
print(ndimx)
X_train = x.reshape((N, 1))
X_train
print('hola')
shape = X_train.shape
print(shape)
andim = X_train.ndim
print(andim)
from sklearn.linear_model import LinearRegression
regressor = LinearRegression()
regressor.fit(X_train, y)

2
 (21,)
1
hola
(21, 1)
2

[29]: LinearRegression()

[34]: m_fit = regressor.coef_[0]

m_fit

[34]: 2.927645871353276

[6]: A=0
B=10
x = np.linspace(A, B, N)
print(x)

[ 0. 0.5 1. 1.5 2. 2.5 3. 3.5 4. 4.5 5. 5.5 6. 6.5

7. 7.5 8. 8.5 9. 9.5 10. ]

[ ]: