AGUERO - PREDICCION DEL NIVEL DE PRESION - Jupyter Notebook

16/9/22, 13:01 AGUERO_PREDICCION DEL NIVEL DE PRESION - Jupyter Notebook
In [ ]: #En un notebook desarrolle un modelo o modelos que permita predecir el nivel de presión sonora a escala en decibelio
#En cada caso debe colocar la forma en la que se recuperan los datos, análisis exploratorio de los datos, transforma
#de datos si fuera el caso, selección del conjunto de entrenamiento y prueba, evaluación del modelo o modelos
#desarrollados y conclusión sobre el mejor modelo elegido
In [ ]: #importar las librerias

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
Recuperación de datos
In [ ]: #datos=pd.read_csv('airfoil_self_noise.dat')
columnas = ['Frecuencia',
'AnguloDeAtaque',
'LongitudDeLaCuerda',
'VelocidadDeFlujoLibre',
'EspesorDeDesplazamiento',
'NivelDePresion']
datos = pd.read_csv('airfoil_self_noise.dat', sep='\t', names=columnas)
In [ ]: datos.head()
localhost:8888/notebooks/Downloads/AGUERO_PREDICCION DEL NIVEL DE PRESION.ipynb 1/20

In [5]: datos.tail()
Out[5]:
Frecuencia AnguloDeAtaque LongitudDeLaCuerda VelocidadDeFlujoLibre EspesorDeDesplazamiento NivelDePresion
1498 2500 15.6 0.1016 39.6 0.052849 110.264
1499 3150 15.6 0.1016 39.6 0.052849 109.254
1500 4000 15.6 0.1016 39.6 0.052849 106.604
1501 5000 15.6 0.1016 39.6 0.052849 106.224
1502 6300 15.6 0.1016 39.6 0.052849 104.204
In [6]: type(datos)
Out[6]: pandas.core.frame.DataFrame
In [7]: datos.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1503 entries, 0 to 1502
Data columns (total 6 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 Frecuencia 1503 non-null int64
1 AnguloDeAtaque 1503 non-null float64
2 LongitudDeLaCuerda 1503 non-null float64
3 VelocidadDeFlujoLibre 1503 non-null float64
4 EspesorDeDesplazamiento 1503 non-null float64
5 NivelDePresion 1503 non-null float64
dtypes: float64(5), int64(1)
memory usage: 70.6 KB

In [8]: datos.describe()
Out[8]:
count 1503.000000 1503.000000 1503.000000 1503.000000 1503.000000 1503.000000
mean 2886.380572 6.782302 0.136548 50.860745 0.011140 124.835943
std 3152.573137 5.918128 0.093541 15.572784 0.013150 6.898657
min 200.000000 0.000000 0.025400 31.700000 0.000401 103.380000
25% 800.000000 2.000000 0.050800 39.600000 0.002535 120.191000
50% 1600.000000 5.400000 0.101600 39.600000 0.004957 125.721000
75% 4000.000000 9.900000 0.228600 71.300000 0.015576 129.995500
max 20000.000000 22.200000 0.304800 71.300000 0.058411 140.987000
In [9]: datos.columns
Out[9]: Index(['Frecuencia', 'AnguloDeAtaque', 'LongitudDeLaCuerda',
'VelocidadDeFlujoLibre', 'EspesorDeDesplazamiento', 'NivelDePresion'],
dtype='object')
Análisis de Datos Exploratorio

In [10]: sns.pairplot(datos)
Out[10]: <seaborn.axisgrid.PairGrid at 0x21d45850fd0>


In [11]: sns.displot(datos['NivelDePresion'])
Out[11]: <seaborn.axisgrid.FacetGrid at 0x21d48342d60>


In [12]: sns.histplot(datos['NivelDePresion'],bins=30)
Out[12]: <AxesSubplot:xlabel='NivelDePresion', ylabel='Count'>

In [13]: datos.corr()
Out[13]:
Frecuencia 1.000000 -0.272765 -0.003661 0.133664 -0.230107 -0.390711
AnguloDeAtaque -0.272765 1.000000 -0.504868 0.058760 0.753394 -0.156108
LongitudDeLaCuerda -0.003661 -0.504868 1.000000 0.003787 -0.220842 -0.236162
VelocidadDeFlujoLibre 0.133664 0.058760 0.003787 1.000000 -0.003974 0.125103
EspesorDeDesplazamiento -0.230107 0.753394 -0.220842 -0.003974 1.000000 -0.312670
NivelDePresion -0.390711 -0.156108 -0.236162 0.125103 -0.312670 1.000000

In [14]: sns.heatmap(datos.corr(),annot=True)
Out[14]: <AxesSubplot:>

Entrenando el Modelo de Regresión Lineal
arreglos X e y
In [18]: X = datos[['Frecuencia', 'AnguloDeAtaque', 'LongitudDeLaCuerda',

'VelocidadDeFlujoLibre', 'EspesorDeDesplazamiento']]
y = datos['NivelDePresion']
Dividir datos de entrenamiento y prueba
In [19]: from sklearn.model_selection import train_test_split
In [20]: X_train, X_test, y_train, y_test = train_test_split(X,

y,
test_size=0.3,
random_state=50)
Crear y Entrenar el Modelo

In [21]: from sklearn.linear_model import LinearRegression

lm = LinearRegression()
lm.fit(X_train,y_train)
Out[21]: ▾ LinearRegression
LinearRegression()
Evaluación del Modelo
In [22]: # imprime el interceptor

print("Beta 0 =",lm.intercept_)
Beta 0 = 133.42275287577456
In [23]: X.columns
Out[23]: Index(['Frecuencia', 'AnguloDeAtaque', 'LongitudDeLaCuerda',
'VelocidadDeFlujoLibre', 'EspesorDeDesplazamiento'],
dtype='object')
In [24]: lm.coef_
Out[24]: array([-1.27074275e-03, -4.92657276e-01, -3.63405069e+01, 9.33080236e-02,
-1.23542078e+02])

In [25]: coeff_df = pd.DataFrame(lm.coef_,index=X.columns,columns=['Coeficiente'])

coeff_df
Out[25]:
Coeficiente
Frecuencia -0.001271
AnguloDeAtaque -0.492657
LongitudDeLaCuerda -36.340507
VelocidadDeFlujoLibre 0.093308
EspesorDeDesplazamiento -123.542078
Predicciones de nuestro modelo

In [26]: X_test.head()
Out[26]:
Frecuencia AnguloDeAtaque LongitudDeLaCuerda VelocidadDeFlujoLibre EspesorDeDesplazamiento
914 3150 15.4 0.0508 39.6 0.028259
959 2500 19.7 0.0508 39.6 0.036484
1010 4000 4.8 0.0254 71.3 0.000849
49 250 0.0 0.3048 31.7 0.003313
1317 8000 3.3 0.1016 55.5 0.002211

In [27]: predictions = lm.predict(X_test)

predictions
Out[27]: array([120.1906785 , 117.88213847, 131.59999828, 124.57709213,
122.84429016, 127.48052377, 114.15288263, 113.07275129,
127.38655778, 119.45519668, 124.55981656, 120.3950623 ,
123.41928375, 118.57569199, 126.15844333, 129.45445637,
131.98111373, 122.14774273, 124.41747709, 125.35651298,
123.55045957, 130.54009865, 123.99818066, 118.83488211,
131.47513457, 137.12144282, 123.81824777, 131.4218037 ,
125.24245181, 120.58512854, 126.2955933 , 124.53816767,
125.15594936, 132.12940703, 124.21702908, 124.47840222,
126.6565184 , 121.33742683, 123.18419634, 123.5136989 ,
128.85081844, 132.66417972, 126.72235947, 126.88424784,
119.70147066, 132.63234403, 125.00788755, 116.56729385,
127.49409786, 125.71215615, 127.2446465 , 125.14322378,
131.56924127, 127.81159606, 124.97214251, 121.85249623,
133.06905988, 123.49878082, 131.4254287 , 119.14518602,
116.18783885, 132.21436592, 127.9409657 , 126.10701826,
127.3121875 , 131.95501855, 122.09206654, 127.97827408,
125.90514314, 129.19073529, 126.41800428, 116.12253389,
129.94824931, 133.41758885, 126.87535624, 125.80840302,
124 22048198 128 40795286 124 63970442 126 24657687

In [28]: plt.scatter(y_test,predictions)
Out[28]: <matplotlib.collections.PathCollection at 0x21d4bcacac0>

In [29]: sns.displot((y_test-predictions),bins=30);
Evaluación del modelo

In [30]: from sklearn import metrics

print('MAE:', metrics.mean_absolute_error(y_test, predictions))
print('MSE:', metrics.mean_squared_error(y_test, predictions))
print('RMSE:', np.sqrt(metrics.mean_squared_error(y_test, predictions)))
MAE: 3.7994983691780955
MSE: 23.62962570747061
RMSE: 4.861031341955183
Residuales

In [31]: sns.displot((y_test-predictions),bins=50,kde=True);

Conclusiones
In [32]: coeff_df = pd.DataFrame(lm.coef_,X.columns,columns=['Coeficiente'])

coeff_df
Out[32]:
Coeficiente
Frecuencia -0.001271
AnguloDeAtaque -0.492657
LongitudDeLaCuerda -36.340507
VelocidadDeFlujoLibre 0.093308
EspesorDeDesplazamiento -123.542078
Se escogió el modelo de Regresion Lineal porque para la prediccion de datos de la presión esta en base a otras entradas, dando como
resultado que la carateristica de velocidad de flujo libre es la que tiene mayor impacto para el aumento de la presion sonora y el espesor de
desplazamiento en el que tiene menor impacto para el aumento de la presion sonora

In [ ]:

AGUERO - PREDICCION DEL NIVEL DE PRESION - Jupyter Notebook

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

AGUERO - PREDICCION DEL NIVEL DE PRESION - Jupyter Notebook

Cargado por

Copyright:

Formatos disponibles

16/9/22, 13:01 AGUERO_PREDICCION DEL NIVEL DE PRESION - Jupyter Notebook

In [ ]: #importar las librerias

datos = pd.read_csv('airfoil_self_noise.dat', sep='\t', names=columnas)

localhost:8888/notebooks/Downloads/AGUERO_PREDICCION DEL NIVEL DE PRESION.ipynb 1/20

1498 2500 15.6 0.1016 39.6 0.052849 110.264

1499 3150 15.6 0.1016 39.6 0.052849 109.254

1500 4000 15.6 0.1016 39.6 0.052849 106.604

1501 5000 15.6 0.1016 39.6 0.052849 106.224

1502 6300 15.6 0.1016 39.6 0.052849 104.204

RangeIndex: 1503 entries, 0 to 1502

Data columns (total 6 columns):

# Column Non-Null Count Dtype

--- ------ -------------- -----

0 Frecuencia 1503 non-null int64

1 AnguloDeAtaque 1503 non-null float64

2 LongitudDeLaCuerda 1503 non-null float64

3 VelocidadDeFlujoLibre 1503 non-null float64

4 EspesorDeDesplazamiento 1503 non-null float64

5 NivelDePresion 1503 non-null float64

dtypes: float64(5), int64(1)

memory usage: 70.6 KB

localhost:8888/notebooks/Downloads/AGUERO_PREDICCION DEL NIVEL DE PRESION.ipynb 2/20

count 1503.000000 1503.000000 1503.000000 1503.000000 1503.000000 1503.000000

mean 2886.380572 6.782302 0.136548 50.860745 0.011140 124.835943

std 3152.573137 5.918128 0.093541 15.572784 0.013150 6.898657

min 200.000000 0.000000 0.025400 31.700000 0.000401 103.380000

25% 800.000000 2.000000 0.050800 39.600000 0.002535 120.191000

50% 1600.000000 5.400000 0.101600 39.600000 0.004957 125.721000

75% 4000.000000 9.900000 0.228600 71.300000 0.015576 129.995500

max 20000.000000 22.200000 0.304800 71.300000 0.058411 140.987000

Out[9]: Index(['Frecuencia', 'AnguloDeAtaque', 'LongitudDeLaCuerda',

'VelocidadDeFlujoLibre', 'EspesorDeDesplazamiento', 'NivelDePresion'],

Análisis de Datos Exploratorio

localhost:8888/notebooks/Downloads/AGUERO_PREDICCION DEL NIVEL DE PRESION.ipynb 3/20

Out[10]: <seaborn.axisgrid.PairGrid at 0x21d45850fd0>

localhost:8888/notebooks/Downloads/AGUERO_PREDICCION DEL NIVEL DE PRESION.ipynb 4/20

localhost:8888/notebooks/Downloads/AGUERO_PREDICCION DEL NIVEL DE PRESION.ipynb 5/20

Out[11]: <seaborn.axisgrid.FacetGrid at 0x21d48342d60>

localhost:8888/notebooks/Downloads/AGUERO_PREDICCION DEL NIVEL DE PRESION.ipynb 6/20

localhost:8888/notebooks/Downloads/AGUERO_PREDICCION DEL NIVEL DE PRESION.ipynb 7/20

Out[12]: <AxesSubplot:xlabel='NivelDePresion', ylabel='Count'>

localhost:8888/notebooks/Downloads/AGUERO_PREDICCION DEL NIVEL DE PRESION.ipynb 8/20

Frecuencia 1.000000 -0.272765 -0.003661 0.133664 -0.230107 -0.390711

AnguloDeAtaque -0.272765 1.000000 -0.504868 0.058760 0.753394 -0.156108

LongitudDeLaCuerda -0.003661 -0.504868 1.000000 0.003787 -0.220842 -0.236162

VelocidadDeFlujoLibre 0.133664 0.058760 0.003787 1.000000 -0.003974 0.125103

EspesorDeDesplazamiento -0.230107 0.753394 -0.220842 -0.003974 1.000000 -0.312670

NivelDePresion -0.390711 -0.156108 -0.236162 0.125103 -0.312670 1.000000

localhost:8888/notebooks/Downloads/AGUERO_PREDICCION DEL NIVEL DE PRESION.ipynb 9/20

localhost:8888/notebooks/Downloads/AGUERO_PREDICCION DEL NIVEL DE PRESION.ipynb 10/20

Entrenando el Modelo de Regresión Lineal

In [18]: X = datos[['Frecuencia', 'AnguloDeAtaque', 'LongitudDeLaCuerda',

Dividir datos de entrenamiento y prueba

In [19]: from sklearn.model_selection import train_test_split

In [20]: X_train, X_test, y_train, y_test = train_test_split(X,

Crear y Entrenar el Modelo

localhost:8888/notebooks/Downloads/AGUERO_PREDICCION DEL NIVEL DE PRESION.ipynb 11/20

In [21]: from sklearn.linear_model import LinearRegression

Evaluación del Modelo

In [22]: # imprime el interceptor

Out[23]: Index(['Frecuencia', 'AnguloDeAtaque', 'LongitudDeLaCuerda',

Out[24]: array([-1.27074275e-03, -4.92657276e-01, -3.63405069e+01, 9.33080236e-02,

localhost:8888/notebooks/Downloads/AGUERO_PREDICCION DEL NIVEL DE PRESION.ipynb 12/20