requisitos previos: Regresión lineal Descenso de gradiente Regresión de lazo y cresta Introducción: La regresión de red elástica es una modificación de la regresión lineal que comparte la misma función hipotética para la predicción. La función de costo de la regresión lineal está representada por J . Here, m is the total number of training … Continue reading «Implementación de regresión de red elástica desde cero»
En este artículo, veremos la implementación de diferentes técnicas de regularización. Primero, comenzaremos con una regresión lineal múltiple. Para eso, requerimos el entorno python3 con sci-kit learn y pandas preinstalados. También podemos usar Google Collaboratory o cualquier otro entorno de notebook jupyter. Primero, necesitamos importar algunos paquetes a nuestro entorno. Python3 import pandas as pd … Continue reading «Implementación de Lasso, Ridge y Elastic Net»
Tomar decisiones rápidas y acertadas es vital en estos días y más ahora que el mundo se enfrenta a un fenómeno como el COVID-19, por lo que contar con información tanto actual como proyectada es determinante para este proceso. En este sentido, hemos aplicado un modelo en el que es posible observar el pico en casos … Continue reading «Predicción máxima de COVID-19 usando la función logística»
Los resultados de los problemas de regresión son valores continuos o reales. Algunos algoritmos de regresión de uso común son la regresión lineal y los árboles de decisión. Hay varias métricas involucradas en la regresión como el error cuadrático medio (RMSE) y el error cuadrático medio (MAE). Estos son algunos miembros clave de los modelos … Continue reading «XGBoost para regresión»
requisitos previos: Regresión lineal Descenso de gradiente Introducción: Lasso Regression también es otro modelo lineal derivado de Linear Regression que comparte la misma función hipotética para la predicción. La función de costo de la regresión lineal está representada por J. Here, m is the total number of training examples in the dataset. h(x(i)) represents the … Continue reading «Implementación de Lasso Regression From Scratch usando Python»
requisitos previos: Regresión lineal Descenso de gradiente Introducción: La Regresión Ridge (o Regularización L2) es una variación de la Regresión Lineal. En Regresión lineal, minimiza la Suma residual de cuadrados (o RSS o función de costo) para adaptarse a los ejemplos de entrenamiento lo más perfectamente posible. La función de costo también está representada por … Continue reading «Implementación de Ridge Regression from Scratch usando Python»
La regresión logística es un algoritmo de clasificación que se utiliza para encontrar la probabilidad de éxito y falla del evento. Se utiliza cuando la variable dependiente es de naturaleza binaria (0/1, Verdadero/Falso, Sí/No). Admite la categorización de datos en clases discretas al estudiar la relación de un conjunto dado de datos etiquetados. Aprende una … Continue reading «Ventajas y desventajas de la regresión logística»
La regresión lineal es un método común para modelar la relación entre una variable dependiente y una o más variables independientes. Los modelos lineales se desarrollan utilizando los parámetros que se estiman a partir de los datos. La regresión lineal es útil en la predicción y el pronóstico donde un modelo predictivo se ajusta a … Continue reading «Resolviendo Regresión Lineal en Python»
Los datos no lineales generalmente se encuentran en la vida diaria. Considere algunas de las ecuaciones de movimiento estudiadas en la física. Movimiento de proyectil : La altura de un proyectil se calcula como h = -½ gt 2 +ut +ho Ecuación de movimiento en caída libre : La distancia recorrida por un objeto después … Continue reading «Regresión polinomial para datos no lineales – ML»