27 de septiembre de 2023

Muñoz Aranda Luis Felipe

Universidad de Guanajuato
División de Ciencias Naturales y Exactas

Tópicos selectos de IQ
Prof. Esteban Abelardo Hernández Vargas

Polinomios con datos dados

Inciso a)

El polinomio que obtuve al realizar el primer inciso fue el siguiente:

El grado que puse para el polinomio fue de 10, ya que al poner todos los datos en
el grado del polinomio daba un valor muy alto, aquí la muestra:

Así mismo, el resultado gráfico que obtuve fue el siguiente:

Donde los puntos azules, como lo muestran las etiquetas, son los datos de
X_training, y la línea roja son los datos de Y_training
Con esto podemos observar que los datos al ser graficados, están muy dispersos
al principio, y conforme va aumentando el valor de X hasta cierto punto, estos
mismo datos se agrupan más, podemos observar un comportamiento de onda, en
donde los datos bajan y suben de manera que se vea un cambio significativo en
los datos de Y_training.

Inciso b)
Para este inciso, tenemos el uso del criterio AIC, el cual se usó para encontrar los
coeficientes para el polinomio óptimo, como podremos observar en la imagen, el
máximo grado también se tomo hasta 10, esto para no tener mucha información
en pantalla

Estos coeficientes nos indican el valor más bajo del criterio AIC, y esto nos indica
que hay un buen equilibrio entre el ajuste y la complejidad de los datos con los que
estamos trabajando. Como sabemos, el modelo AIC se considera el mejor a la
hora de ajustar y comprobar la complejidad de datos, y como estamos
comparando dentro del mismo conjunto de datos, entonces este modelo es
aplicable, ya que podemos obtener una medida absoluta de la calidad del modelo
con los coeficientes dados, sin ser demasiado complejo.
Inciso c)
Para este inciso, se hizo uso de todos los datos que se nos proporcionaban, con
un par de ajustes para facilitar el manejo de estos a la hora de encontrar el valor
del coeficiente de determinación (comúnmente denotado como 𝑅 2 ). Este
coeficiente es una métrica que se usa para evaluar el rendimiento de un modelo
de regresión, de este coeficiente se pueden obtener tres tipos de valores distintos,
cada uno con un significado:
• Si 𝑅 2 se acerca a 1: El modelo se ajusta muy bien a los datos y explica una
alta proporción de la varianza en los datos reales. Las predicciones son
precisas.
• R^2 cerca de 0: El modelo no explica bien la variabilidad en los datos y es
similar a una predicción constante que solo tiene en cuenta el valor medio
de la variable dependiente. El modelo es ineficaz.
• R^2 negativo: El modelo es peor que una simple predicción constante.

En mi caso, el resultado de la validación fue el siguiente:

Con lo que puedo concluir que el modelo no se puede predecir con facilidad, y con
esto se puede decir que el modelo no es muy eficiente, y esto puede ser error por
mi parte, ya que pude haber tomado datos mal o simplemente no hice un buen uso
del modelo, esto puede ser revisado en mi código anexado en este proyecto.