UNIVERSIDAD NACIONAL SAN CRISTOBAL DE HUAMANGA

ESCUELA PROFESIONAL DE INGENIERIA AGRICOLA

REGRESIÓN POLINOMIAL CON SKLEARN

 ESTUDIANTES:
1.CHUCHÓN DE LA CRUZ ANTOINE HAFID

 DOCENTE:

AYACUCHO – 2020
REGRESION POLINOMIAL
CON SKLEARN
 SCIKIT-LEARN 
 Es una biblioteca de aprendizaje automático de software gratuito para el lenguaje de programación
python . Cuenta con varios algoritmos de clasificación, regresión y agrupamiento que incluyen
máquinas de vectores de soporte, bosques aleatorios, aumento de gradiente, y está diseñado para
interoperar con las bibliotecas numéricas y científicas de Python NumPy y SciPy .
Incluye las siguientes librerías o paquetes :
REGRESIÓN POLINOMIAL:
Algunos datos científicos o de ingeniería, pueden presentar un patrón como este:

Que como puede intuirse, se representan pobremente

mediante una línea recta. En estos casos, se ajusta
mejor una curva a los datos. Para ello se recomienda
regresión polinomial. El procedimiento de mínimos
cuadrados se puede extender fácilmente y ajustar
datos a un polinomio.
 Formula:
 Un término polinomial, bien sea cuadrático o cúbico, convierte un modelo de regresión lineal en una
curva, pero como los datos de “X” son cuadráticos o cúbicos pero el coeficiente “b” no lo es, todavía se
califican como un modelo lineal.
 Esto hace que sea una forma agradable y directa de modelar curvas sin tener que modelar modelos
complicados no lineales.

• Un patrón común dentro de Machine Learning

es usar modelos lineales entrenados en
funciones no lineales de los datos. Este enfoque
mantiene el rendimiento generalmente rápido
de los métodos lineales mientras les permite
ajustarse a un rango de datos mucho más
amplio.

• Al considerar los ajustes lineales dentro de un

espacio de mayor dimensión construido con
estas funciones básicas, el modelo tiene la
flexibilidad de adaptarse a una gama de datos
mucho más amplia.
Inconvenientes al hacer una regresión polinomial
En conclusión: