Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
Recuperación de datos
In [ ]: #datos=pd.read_csv('airfoil_self_noise.dat')
columnas = ['Frecuencia',
'AnguloDeAtaque',
'LongitudDeLaCuerda',
'VelocidadDeFlujoLibre',
'EspesorDeDesplazamiento',
'NivelDePresion']
In [ ]: datos.head()
In [5]: datos.tail()
Out[5]:
Frecuencia AnguloDeAtaque LongitudDeLaCuerda VelocidadDeFlujoLibre EspesorDeDesplazamiento NivelDePresion
In [6]: type(datos)
Out[6]: pandas.core.frame.DataFrame
In [7]: datos.info()
<class 'pandas.core.frame.DataFrame'>
In [8]: datos.describe()
Out[8]:
Frecuencia AnguloDeAtaque LongitudDeLaCuerda VelocidadDeFlujoLibre EspesorDeDesplazamiento NivelDePresion
In [9]: datos.columns
dtype='object')
In [10]: sns.pairplot(datos)
In [11]: sns.displot(datos['NivelDePresion'])
In [12]: sns.histplot(datos['NivelDePresion'],bins=30)
In [13]: datos.corr()
Out[13]:
Frecuencia AnguloDeAtaque LongitudDeLaCuerda VelocidadDeFlujoLibre EspesorDeDesplazamiento NivelDePresion
In [14]: sns.heatmap(datos.corr(),annot=True)
Out[14]: <AxesSubplot:>
arreglos X e y
Out[21]: ▾ LinearRegression
LinearRegression()
Beta 0 = 133.42275287577456
In [23]: X.columns
'VelocidadDeFlujoLibre', 'EspesorDeDesplazamiento'],
dtype='object')
In [24]: lm.coef_
-1.23542078e+02])
Out[25]:
Coeficiente
Frecuencia -0.001271
AnguloDeAtaque -0.492657
LongitudDeLaCuerda -36.340507
VelocidadDeFlujoLibre 0.093308
EspesorDeDesplazamiento -123.542078
Out[26]:
Frecuencia AnguloDeAtaque LongitudDeLaCuerda VelocidadDeFlujoLibre EspesorDeDesplazamiento
In [28]: plt.scatter(y_test,predictions)
In [29]: sns.displot((y_test-predictions),bins=30);
MAE: 3.7994983691780955
MSE: 23.62962570747061
RMSE: 4.861031341955183
Residuales
In [31]: sns.displot((y_test-predictions),bins=50,kde=True);
Conclusiones
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 [ ]: