Algoritmos de Regressión-(ML)

Algoritmos-ML

Nota: (Los Algoritmos de Regresión, crea un modelo la relación entre distintas variables utilizando una medida de error que se intentará minimizar en un proceso iterativo para poder realizar predicciones, lo más acertadas posible).

 

Algoritmos de Regressión-(ML)

-. Algoritmos de Regressión es un conjunto de procesos para estimar las relaciones entre una variable dependiente Etiqueta en el Marco de MachineLearning (ML) y una o más variables independientes. El tipo de de Algoritmo de Regresión mas básico es la Regresión-Lineal en el cual una linea a la cual se ajusta a los datos según un criterio matemático específico; podemos estimar valor promedio de la variable dependiente cuando las variables independientes toman un conjunto dado de valores. Los modelos menos comunes de Regresión usan procedimientos diferentes para estimar parámetros de ubicación alternativos.

Utilización-Regressión:

  • Se utiliza para dos propósitos de Regresión la primera se usa para la Predicción y el Pronóstico , donde tenemos un uso sustancial en el Marco del MachineLearning (ML) .
  • En segundo tenemos algunas situaciones se puede utilizar el análisis de Regresión para relaciones causales entre las variables independientes y dependientes.

-. Podemos decir que las Regresiones por sí mismas solo revelan relaciones entre una variable dependiente y una colección de variables independientes en un conjunto de datos determinado.

 

El Modelo de Regresión:

-. Llevemos el un modelo que deseo estimar y posteriormente elegimos el Algoritmos de Regressión en este caso MínimosCuadradosOrdinarios para estimar los parámetros de ese modelo. Los modelos de Regresión consideran los ciertos componentes.

  • Los parámetros desconocidos: a menudo denotados como un escalar o un vector
  • Las variables independientes: que tenemos en los datos y a menudo se denotan como un vector.
  • La variable dependiente: que tenemos en los datos y a menudo se denota usando el escalar.
  • Los términos de error: que no se observan directamente en los datos y a menudo se denotan mediante el escalar.

Nota: Un vector euclidiano o simplemente un vector es lo que se necesita para «llevar» el punto A al punto B.

Nota: Las escalar o cantidades escalares son cantidades físicas que no se ven afectadas por cambios en una base de espacio vectorial.

Regresión-Lineal:

-. La Regresión-Lineal es una visualización lineal para modelar la relación entre una respuesta escalar y una o más variables explicativas llamadas variables dependientes e independientes. El caso de una variable explicativa se denomina Regresión-Lineal-Simple; para más de uno, el proceso se denomina Regresión-Lineal Múltiple. En la Regresión-Lineal-Multivariante, se predicen múltiples variables dependientes correlacionadas , en lugar de una única variable escalar.

Regresión-no-Lineal:

-. La Regresión-no-Lineal es en la que los datos de observación se modelan mediante una función que es una combinación no lineal de los parámetros del modelo y depende de una o más variables independientes. Los datos se ajustan mediante un método de aproximaciones sucesivas.

Métodos-Regresión:

-. En el modelo de Regresión por lo general realiza la estimación utilizando el método de Mínimos-Cuadrados, pero tenemos otros métodos podemos citar los siguientes.

  • Métodos bayesianos: Regresión-Lineal-Bayesiana
  • Regresión porcentual: Se considere más adecuado reducir los errores porcentuales .
  • Desviaciones mínimas absolutas: Que es más sólida en presencia de valores atípicos.
  • Regresión no paramétrica: Necesita una gran cantidad de observaciones y es computacional intensiva
  • Optimización de escenarios: Nos lleva a un modelos predictores de intervalos
  • Aprendizaje de métricas a distancia: Mediante la búsqueda de una métrica de distancia significativa en un espacio de entrada dado

 

Frameworks o Software:

. Todos los principales paquetes de Software o Frameworks realizan inferencias y análisis de Regresión- Mínimos-Cuadrados. Tendremos algunos post dedicado al tema que nos ocupa con Frameworks mas apropiado en ese momento.

 

Recopilando:

A continuación expondré una serie de casos de Regresión con los Frameworks mas adecuados para este fin.