Ejemplo de implementación de Machine Learning en 5 minutos (en la Parte 3). Implementar un modelo de Machine Learning en regresión lineal en Python.
Requisito previo: Tipos de Machine Learning y lista de algoritmos
Regresión lineal es uno de los más comunes, unos 200 años de antigüedad y más fácilmente comprensible en estadísticas y Machine Learning. Como se explicó en la publicación anterior, se trata de modelos predictivos. El modelado predictivo es un tipo de modelado aquí, el posible resultado (Y) para la entrada dada (X) se predice en base a los datos o valores anteriores.
Tipos
- Regresión lineal simple: Se caracteriza por una variable independiente . Considere el precio de la casa basado solo en un campo que es el tamaño de la gráfica, entonces eso sería una regresión lineal simple.
- Regresión lineal múltiple: Se caracteriza por múltiple variables independientes . El precio de la casa depende de más de uno como el tamaño del área de la parcela, la economía se considera una regresión lineal múltiple que se encuentra en la mayoría de los escenarios del mundo real.
Ecuación:
Aquí el objetivo principal es encontrar la línea de mejor ajuste que minimiza el error (la suma del cuadrado de la distancia entre los puntos y la línea).
Se toma la distancia entre los puntos y la línea y cada uno de ellos al cuadrado para deshacerse de valores negativos y luego se suman los valores que dan el error que necesita ser minimizado.
¿Cómo se minimiza el error?
Considere el siguiente ejemplo donde hay tres puntos graficados.
Dibuje una línea al azar donde necesitamos minimizar la distancia entre la línea y los tres puntos
Aquí el error es la distancia desde los puntos a la línea que se muestra en la línea de color rojo.
El error es decir. la distancia entre los puntos y la línea se resume y se representa de la siguiente manera.
Ahora, desplacemos la línea en cualquier dirección y tracemos el error.
Aquí, como la línea se alejó de los puntos, el error aumenta y se produce un error se resume como se muestra a continuación.
Aquí la línea se mueve en dirección opuesta esta vez ya que el error se aumentó anteriormente y los resultados son los siguientes.
El error se minimiza aquí en comparación con instancias anteriores.
error aún puede minimizarse como se muestra a continuación.
Pero dado que da como resultado valores negativos, implementamos Degradado decente (mínimos cuadrados) donde los valores de error se cuadran, lo que resulta en valores positivos donde el error se puede medir con precisión (esto se hace ya que la distancia no se puede medir en valores negativos).
Matemáticamente
Error de línea:
- Roja: 3 + 4 + 6 = 10 al cuadrado – – 4 + 9 + 25 = 38
- Amarilla: 4 + 5 + 7 = 13 al cuadrado – 9 + 16 + 36 = 61
- Azul: 1 + 2 + 4 = 7 al cuadrado – – 1 + 4 +16 = 21 [19659036] Lest Error: 1-3 + 1 = -1 que no tiene sentido pero al cuadrado da como resultado 1 + 9 + 1 = 10
Así que aquí 61> 38> 21> 10 tiene sentido en lugar de manejo de distancias negativas que es difícil de imaginar y manejar.
Por lo tanto, el descenso de gradiente (mínimos cuadrados) es el mejor aquí para encontrar el menor error en comparación con otras instancias.
En el siguiente artículo, he tomado un ejemplo del mundo real y la implementación de la regresión lineal (Machine Learning) próximamente así que estad atentos !!!!
Más referencias:
- ¿Es real la Inteligencia Artificial o es solo una bombo de esta década?
- Inteligencia Artificial: Definición, Tipos, Ejemplos, Tecnologías
- Inteligencia Artificial vs Machine Learning
- ¿Por qué Machine Learning para lograr la Inteligencia Artificial? “The Need for Machine Learning ”
- Machine Learning Types and Algorithms
Luego tengo Regresión lineal (Parte 2) próximamente, asegúrese de seguirme en medio linkedin twitter para obtener más actualizaciones. Y también, si le gustó este artículo, asegúrese de dar un aplauso y compartirlo.
Regresión lineal (Parte 1): tipos, ejemplos, ejemplo de descenso de gradiente fue publicado originalmente en Towards Data Science en Medio, donde las personas continúan la conversación resaltando y respondiendo a esta historia.