Contenido

Objetivo

Abordar algunos ejemplos de cómo se aplica el método de Gauss y su implementación en programación. Aprendiendo la manera correcta de usarla en la creación de modelos de predicción para la solución de problemas reales.

Descripción

La regresión lineal es uno de los algoritmos de aprendizaje supervisado más sencillos y fáciles de comprender, por lo cual es un buen punto de partida. Este método establece las relaciones entre una variable independiente (respuesta) y las características (variables independientes), donde el objetivo principal es encontrar los valores adecuados de los parámetros para ajustar la función lo mejor posible a los datos de entrenamiento.

Explicación

Haz clic para revisar la explicación.

Métodos lineales básicos

Recursos adicionales

Los siguientes enlaces son externos a la Universidad Tecmilenio, al acceder a ellos considera que debes apegarte a sus términos y condiciones.

Revisa la siguiente lectura:

Para conocer más sobre fundamentos matemáticos para el aprendizaje automático, te recomendamos leer:

GeeksforGeeks. (2021). Linear Regression (Python Implementation). Recuperado de https://www.geeksforgeeks.org/linear-regression-python-implementation/

Actividad

Objetivo

Resuelve problemas de aprendizaje automático supervisado utilizando el lenguaje de programación Python.

Instrucciones
  1. Investiga la manera en que se realiza el análisis de discriminarte lineal Python y utiliza este conocimiento para llevar a cabo la reducción de la dimensión y la representación gráfica del primer conjunto de datos construido en la pregunta anterior.
  2. Utilizando la librería Scikit-learn, investiga cómo se implementan las métricas del error cuadrático medio y del coeficiente de determinación para evaluar la calidad de un modelo de aprendizaje supervisado.
Checklist

Asegúrate de:

  • Implementa la reducción de la dimensión y realiza la representación gráfica utilizando el análisis de discriminante lineal.
  • Identifica la problemática, elabora un conjunto de datos adecuados a la problemática detectada y construye el modelo de regresión lineal de acuerdo con los datos.
  • Evalúa el modelo diseñado y propone mejoras en caso de ser necesario.