métodos para resolver problemas de regresión lineal

es una medida estadística

El comando básico es lm (linear models).

Para cuantificar el grado de relación lineal, calculamos la matriz de coeficientes de correlación

corresponden a tres variables

podemos representar una matriz de diagramas de dispersión

se conoce como coeficiente de determinación, o coeficiente de determinación múltiple si se trata de regresión múltiple.

Selecciona toda la tabla con información.

En la pestaña “Insertar”, dirígete a la sección de “Gráficos” y selecciona la primera opción para “Dispersión

Aparecerá un gráfico que relaciona los años de educación (en el eje X) con el salario (en el eje Y).

Haz click derecho sobre cualquiera de los puntos del gráfico, y selecciona “Agregar lína de tendencia”

En “Opciones de línea de tendencia”, selecciona “lineal” y luego, al final de la sección, haz click en las casillas de “Presentar ecuación en el gráfico”

método
analítico de solución de problemas de
programación lineal capaz de resolver
modelos más complejos

TIPOS DE SOLUCIÓN

SOLUCIÓN UNICA

SOLUCIÓN NO ACOTADA

PROBLEMA SIN SOLUCIÓN

SOLUCION OPTIMA MULTIPLE

SOLUCION DEGENERADA

Para la regresión lineal múltiple y multivariante, permite la regresión por pasos, robusta y multivariante

Genera predicciones

Compara ajustes de modelos lineales

Representa los valores residuales

Evalúa la bondad de ajuste

Detectar valores atípicos

Sklearn es una de las mejores librerías que hay para Machine Learning en la actualidad, para la regresión lineal

fit_intercept: True/False, para quedar o quitar la constante β₀ de nuestro modelo.

normalize: True/False, para normalizar los datos o no, normalmente la regresión lineal suele funcionar mejor con datos normalizados

Para interpretar el modelo necesitamos ver los coeficientes o lo que es lo mismo, las betas, es decir como es ponderada cada variable. Sklearn nos lo pone muy sencillo con el atributo .coef

cikit-learn existen varios datasets que podemos utilizar directamente para trabajar con este tipo de problemas.

Una vez entrenado el modelo, se evalúa la capacidad predictiva empleando el conjunto de test.

Para hacer una regresión lineal en python, vamos a usar scikit-learn, que es una librería de python para aprendizaje automático.

Para entrenar el modelo, simplemente tendremos que hacer uso de scikit-learn.

El método fit se encarga de ajustar los parámetros de regresión lineal a los datos.

Una vez que tenemos entrenado el modelo de regresión lineal, podemos hacer predicciones usando el método predict de la clase LinearRegression.

Vamos a evaluar la calidad del modelo aprendido usando solamente los datos de entrenamiento.

Podemos evaluar la calidad del modelo midiendo el error cuadrático medio y el coeficiente de determinación R2.