Modelos de Regresión

Unidad 5
 Temas
● ¿Qué es un modelo de regresión?
● Modelo lineal de una variable.
● Modelo no-lineal de una variable.
● Entrenamiento.
● Testear el modelo.
● Modelo lineal multivariado.
● Caso práctico.
¿Qué es un modelo
de regresión?
 El modelo de regresión

Es una técnica estadística que consiste en encontrar la función matemática que logre explicar el comportamiento de un set de datos.

y = f(x, …, xn)

f(x, …, xn) = β0 + β1 x1 + … + βn xn + µ

y = β0 + β1 x1 + … + βn xn + µ

y = Variable a explicar (variable que vamos a predecir, pronosticar, entender, etc.)

x = Variables explicativas (características (features) que nos ayudarán a entender la variable y).
β = Coeficientes de regresión (Pesos relativos de cada variable x).
µ = Término de error (El error que el modelo presenta en comparación con los datos reales).
El modelo de regresión

Mes 1: 100
Mes 2: 90
Mes 3: 110
Mes 4: 100

Mes 5: ¿?
Modelo lineal de una
variable
Convertir los datos en una función matemática
Convertir los datos en una función matemática

Promedio de los valores de y.

Promedio de los valores de x.

Predicción de y (la y del modelo).

Convertir los datos en una función matemática
 Coeficiente de determinación R2

La producción de naranjas se explica por el nivel de riego más una constante con un 96,05% de confianza.
 ¿Para qué sirve el modelo?
- Explicar el comportamiento de la variable y ante variaciones de la variable x.
- Comprender qué pasaría con valores pasados o futuros que no están en los datos (Pronosticar).

y = 49 + 7.3 * x

f(x) = 49 + 7.3 * x

f(0) = 49 + 7.3 * 0 = 49

f(22.54) = 49 + 7.3 * (22.54) = 213.542

f(22.54) = 49 + 7.3 * (8.95) = 114.335

 ¿Para qué sirve el modelo?
- Explicar el comportamiento de la variable y ante variaciones de la variable x.
- Comprender qué pasaría con valores pasados o futuros que no están en los datos (Pronosticar).

y = 49 + 7.3 * x

f(x) = 49 + 7.3 * x

f(0) = 49 + 7.3 * 0 = 49

f(60) = 49 + 7.3 * (60) = 487

f(70) = 49 + 7.3 * (70) = 560

f(80) = 49 + 7.3 * (80) = 633

f(22.54) = 49 + 7.3 * (22.54) = 213.542

f(8.95) = 49 + 7.3 * (8.95) = 114.335

 ¿Para qué sirve el modelo?

f(60) = 49 + 7.3 * (60) = 487

f(70) = 49 + 7.3 * (70) = 560

f(80) = 49 + 7.3 * (80) = 633

f(22.54) = 49 + 7.3 * (22.54) = 213.542

f(8.95) = 49 + 7.3 * (8.95) = 114.335

Modelo no-lineal de una
variable
Cuando los datos no son lineales
Cuando los datos no son lineales

Nuestro modelo lineal ya no nos sirve para explicar la producción

de naranjas
 El modelo de regresión no lineal

y = f(x)

f(x) = β0 + β1 x1 + β2 x12 …. βm x1m + µ

y = β0 + β1 x1 + β2 x12 …. βm x1m + µ
 El modelo de regresión no lineal
- Modelo de regresión binomial
- Modelo de regresión cuadrático
- Modelo de regresión de segundo grado
El modelo de regresión no lineal
Nuestro modelo binomial ya no nos sirve
para explicar la producción de naranjas
 El modelo de regresión no lineal
- Modelo de regresión polinomial de tercer orden
- Modelo de regresión de grado tres
- Modelo de regresión de tercer grado
 El modelo de regresión polinomial
- Modelo de regresión polinomial
- Modelo de regresión de m° grado
- Modelo de regresión de orden m
Nube de puntos aleatorios
Entrenamiento
 Minimizar el error
El proceso de encontrar los parámetros que minimizan la función de pérdida es lo que se conoce como entrenamiento (training, learning, fitting).

Machine Learning no es otra cosa que un nombre fantasioso para:

“encontrar el mínimo de la función de error”

Hay muchos métodos y estrategias para encontrarlo, a lo largo de la carrera es probable que vean varias formas de hacer esto, pero
una de las más simples es el método de los Mínimos Cuadrados Ordinarios.
Ver video de entrenamiento
y generalización
Testear el modelo
Testear el modelo

Previamente al entrenamiento debimos

haber separado una parte de los datos
que servirán para comprobar “qué tan
bien generaliza nuestro modelo".

diferencia = (y_test - y_predicha)2 / n

Modelo lineal multivariado
El modelo de regresión multivariado
Modelo lineal multivariado
Caso práctico.