2023-2P
.
Aprendizaje Automático (Machine Learning): Es el proceso mediante el cual se usan modelos matemáticos de datos para ayudar a un equipo a aprender sin instrucciones directas. Se considera un subconjunto de la inteligencia artificial (IA). El aprendizaje automático usa algoritmos para identificar patrones en los datos, y esos patrones luego se usan para crear un modelo de datos que puede hacer predicciones.
.
Minería de Datos: Es un proceso que consiste en recopilar y analizar una gran cantidad de datos y encontrar patrones en ellos. Al detectar relaciones y patrones en los datos mediante este método manual, los científicos de datos ayudan a una empresa a resolver sus problemas empresariales, predecir tendencias y tomar decisiones informadas.
los diferentes tipos de aprendizaje automático son:
Aprendizaje Supervisado: Este es un tipo de aprendizaje automático en el que se entrena a un modelo utilizando datos etiquetados. Los datos etiquetados son datos que ya contienen la respuesta correcta. Los algoritmos de aprendizaje supervisado son entrenados utilizando un conjunto de pares entrada-salida y se utilizan para predecir eventos futuros. Se pueden agrupar en casos de regresión y clasificación.
Tipos: Regression, Logistic Regression, Classification, Naïve Bayes Classifiers, Decision Trees, Support Vector Machine
Aprendizaje No Supervisado: Este tipo de aprendizaje automático implica el entrenamiento de una máquina utilizando información que no está clasificada ni etiquetada y permitiendo que el algoritmo actúe sobre esa información sin orientación. Aquí el sistema intenta aprender sin un maestro.Existen ejecomplos como los Clusters y las Asociaciones.
Tipos: Clusters: Hierarchical clustering, K-means clustering, K-NN (k nearest neighbors), Principal Component Analysis, Singular Value Decomposition, Independent Component Analysis
Aprendizaje Semi-Supervisado: Este es un tipo de aprendizaje automático que combina un pequeño número de datos etiquetados con una gran cantidad de datos no etiquetados. Este método es útil cuando los costos asociados con la etiquetación son demasiado altos para permitir un proceso de aprendizaje completamente supervisado.
Aprendizaje por Refuerzo: Este es un tipo de aprendizaje automático donde un agente aprende a comportarse en un entorno realizando ciertas acciones y observando los resultados/resultados de esas acciones.
.
.
.
.
.
Es un modelo estadístico que describe la relación entre una variable dependiente y una variable independiente.
La variable dependiente es la variable que se está tratando de predecir.
La variable independiente es la variable que se cree que influye en la variable dependiente.
y = a + bx
y es el valor de la variable dependiente.
a es la intersección de la línea de regresión con el eje y.
b es la pendiente de la línea de regresión.
x es el valor de la variable independiente.
Importar los datos.
Crear un modelo de regresión lineal.
Evaluar el modelo.
# Importar los datos
data <- read.csv("data.csv")
head(data)
## Crear un modelo de regresión lineal model<- lm(y~ x, data = data) # Resumen del modelo summary(model)
# Crear el data frame
data <- data.frame(
A_Exp = c(1.1, 1.3, 1.5, 2.0, 2.2, 2.9, 3.0, 3.2, 3.2, 3.7),
Salario = c(39343, 46205, 37731, 43525, 39891,
56642, 60150, 54445, 64445, 57189)
)
head(data)
## A_Exp Salario ## 1 1.1 39343 ## 2 1.3 46205 ## 3 1.5 37731 ## 4 2.0 43525 ## 5 2.2 39891 ## 6 2.9 56642
# Create the scatter plot
plot(data$A_Exp, data$Salario, xlab = "Anos de Experiencia",
ylab = "Salario", main = "Correlacion de Anos Vs Salario")
Explicando todos los datos en una ecuación:
regresion <- lm(Salario~ A_Exp, data = data) summary(regresion)
Explicando todos los datos en una ecuación:
## ## Call: ## lm(formula = Salario ~ A_Exp, data = data) ## ## Residuals: ## Min 1Q Median 3Q Max ## -8171.3 -3695.9 -717.2 4219.7 7362.1 ## ## Coefficients: ## Estimate Std. Error t value Pr(>|t|) ## (Intercept) 28217 5130 5.501 0.000573 *** ## A_Exp 9021 2003 4.503 0.001995 ** ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## ## Residual standard error: 5482 on 8 degrees of freedom ## Multiple R-squared: 0.7171, Adjusted R-squared: 0.6817 ## F-statistic: 20.28 on 1 and 8 DF, p-value: 0.001995
Validando las predicciones en dos conjuntos (test/prueba)
#install.packages('caTools')
library(caTools)
set.seed(123)
split = sample.split(data$Salario, SplitRatio = 0.7)
trainingset = subset(data, split == TRUE)
testset = subset(data, split == FALSE)
# Ajustar RSL al conjunto de Prueba lm.r= lm(formula = Salario ~ A_Exp, data = trainingset) coef(lm.r) # Analizando Resultados con los datos de Prueba ypred = predict(lm.r, newdata = testset)
Validando las predicciones en dos conjuntos (test/prueba)
## (Intercept) A_Exp ## 30303.530 8956.904
Grafiquemos los resultados (entrenamiento)
library(ggplot2)
# Visual de los resultado de entrenamiento
ggplot() + geom_point(aes(x = trainingset$A_Ex,
y = trainingset$Salario), colour = 'red') +
geom_line(aes(x = trainingset$A_Ex,
y = predict(lm.r, newdata = trainingset)), colour = 'blue') +
ggtitle('Salario vs Experiencia (Entrenamiento)') +
xlab('Años de Experiencia') +
ylab('Salario')
Grafiquemos los resultados (entrenamiento)
Grafiquemos los resultados (prueba)
# Visual de los resultado de prueba
ggplot() + geom_point(aes(x = testset$A_Ex,
y = testset$Salario), colour = 'red') +
geom_line(aes(x = trainingset$A_Ex,
y = predict(lm.r, newdata = trainingset)), colour = 'blue') +
ggtitle('Salario vs Experiencia (prueba)') +
xlab('Años de Experiencia') +
ylab('Salario')
Grafiquemos los resultados (prueba)
Los datos: El fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos y saber los nombres de las variables:
SALUD <-
read.table('http://verso.mat.uam.es/~joser.berrendero/datos/EdadPesoGrasas.txt',
header = TRUE)
names(SALUD)
## [1] "peso" "edad" "grasas"
Con el fin de conocer las relaciones existentes entre cada par de variables podemos representar una matriz de diagramas de dispersión. Tu texto aquí
plot(SALUD)
Para cuantificar el grado de relación lineal, calculamos la matriz de coeficientes de correlación:
cor(SALUD)
## peso edad grasas ## peso 1.0000000 0.2400133 0.2652935 ## edad 0.2400133 1.0000000 0.8373534 ## grasas 0.2652935 0.8373534 1.0000000
Desarrollamos la regresión de las variables grasa y edad:
regresion <- lm(grasas ~ edad, data = SALUD) summary(regresion)
## ## Call: ## lm(formula = grasas ~ edad, data = SALUD) ## ## Residuals: ## Min 1Q Median 3Q Max ## -63.478 -26.816 -3.854 28.315 90.881 ## ## Coefficients: ## Estimate Std. Error t value Pr(>|t|) ## (Intercept) 102.5751 29.6376 3.461 0.00212 ** ## edad 5.3207 0.7243 7.346 1.79e-07 *** ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## ## Residual standard error: 43.46 on 23 degrees of freedom ## Multiple R-squared: 0.7012, Adjusted R-squared: 0.6882 ## F-statistic: 53.96 on 1 and 23 DF, p-value: 1.794e-07
Graficamos la regresión lineal:
library(ggplot2)
# Visual de los resultado de prueba
ggplot() + geom_point(aes(x = SALUD$edad,
y = SALUD$grasas), colour = 'red') +
geom_line(aes(x = SALUD$edad,
y = predict(regresion, newdata = SALUD)), colour = 'blue') +
ggtitle('Edad vs Grasas') +
xlab('Edad') +
ylab('Grasa en Sangre')
Graficamos la regresión lineal:
Otra forma facil de Graficar (metodo 2)
library(ggplot2) ggplot(data = SALUD, aes(x = edad, y = grasas)) + geom_point() + geom_smooth(method = "lm", se = TRUE, color = "firebrick") + theme_bw() + labs(x = "Edad", y = "Grasas")
## `geom_smooth()` using formula = 'y ~ x'
Otra forma facil de Graficar (metodo 3)
plot(SALUD$edad, SALUD$grasas, xlab='Edad', ylab='Grasas') abline(regresion)
Cálculo de predicciones
nuevas.edades <- data.frame(edad = seq(30, 50)) predict(regresion, nuevas.edades)
## 1 2 3 4 5 6 7 8 ## 262.1954 267.5161 272.8368 278.1575 283.4781 288.7988 294.1195 299.4402 ## 9 10 11 12 13 14 15 16 ## 304.7608 310.0815 315.4022 320.7229 326.0435 331.3642 336.6849 342.0056 ## 17 18 19 20 21 ## 347.3263 352.6469 357.9676 363.2883 368.6090
Definamos los intervalos de confianza
confint(regresion)
## 2.5 % 97.5 % ## (Intercept) 41.265155 163.885130 ## edad 3.822367 6.818986
con el 90%
confint(regresion, level = 0.90)
## 5 % 95 % ## (Intercept) 51.780153 153.370132 ## edad 4.079335 6.562018
intervalos de confianza para la respuesta media y los intervalos de predicción para la respuesta
nuevas.edades <- data.frame(edad = seq(20, 60)) # Grafico de dispersion y recta plot(SALUD$edad, SALUD$grasas, xlab='Edad', ylab='Grasas') abline(regresion) # Intervalos de confianza de la respuesta media: # ic es una matriz con tres columnas: la primera es la prediccion, las otras dos son los extremos del intervalo ic <- predict(regresion, nuevas.edades, interval = 'confidence') lines(nuevas.edades$edad, ic[, 2], lty = 2) lines(nuevas.edades$edad, ic[, 3], lty = 2) # Intervalos de prediccion ic <- predict(regresion, nuevas.edades, interval = 'prediction') lines(nuevas.edades$edad, ic[, 2], lty = 2, col = 'red') lines(nuevas.edades$edad, ic[, 3], lty = 2, col = 'red')
intervalos de confianza para la respuesta media y los intervalos de predicción para la respuesta 
tabla de análisis de la varianza de los errores se obtiene con el comando anova:
## Analysis of Variance Table ## ## Response: grasas ## Df Sum Sq Mean Sq F value Pr(>F) ## edad 1 101933 101933 53.964 1.794e-07 *** ## Residuals 23 43444 1889 ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Diagnostico del modelo:
residuos <- rstandard(regresion) valores.ajustados <- fitted(regresion) plot(valores.ajustados, residuos)
Hipotesis de normalidad Q-Q:
qqnorm(residuos) qqline(residuos)
equipos <-
c("Texas","Boston","Detroit","Kansas","St.","New_S.","New_Y.",
"Milwaukee","Colorado","Houston","Baltimore","Los_An.","Chicago",
"Cincinnati","Los_P.","Philadelphia","Chicago","Cleveland","Arizona",
"Toronto","Minnesota","Florida","Pittsburgh","Oakland","Tampa",
"Atlanta","Washington","San.F","San.I","Seattle")
numero_bateos <-
c(5659, 5710, 5563, 5672, 5532, 5600, 5518, 5447, 5544, 5598,
5585, 5436, 5549, 5612, 5513, 5579, 5502, 5509, 5421, 5559,
5487, 5508, 5421, 5452, 5436, 5528, 5441, 5486, 5417, 5421)
runs <-
c(855, 875, 787, 730, 762, 718, 867, 721, 735, 615, 708, 644, 654, 735,
667, 713, 654, 704, 731, 743, 619, 625, 610, 645, 707, 641, 624, 570,
593, 556)
datosB <- data.frame(equipos,numero_bateos,runs)
head(datosB)
## equipos numero_bateos runs ## 1 Texas 5659 855 ## 2 Boston 5710 875 ## 3 Detroit 5563 787 ## 4 Kansas 5672 730 ## 5 St. 5532 762 ## 6 New_S. 5600 718
Representación gráfica de las observaciones
library(ggplot2) ggplot(data = datosB, mapping = aes(x = numero_bateos, y = runs)) + geom_point(color = "firebrick", size = 2) + labs(title = 'Diagrama de dispersión', x = 'número de bateos') + theme_bw() + theme(plot.title = element_text(hjust = 0.5))
Calculo de Correlaciones
cor.test(x = datosB$numero_bateos, y = datosB$runs, method = "pearson")
## ## Pearson's product-moment correlation ## ## data: datosB$numero_bateos and datosB$runs ## t = 4.0801, df = 28, p-value = 0.0003388 ## alternative hypothesis: true correlation is not equal to 0 ## 95 percent confidence interval: ## 0.3209675 0.7958231 ## sample estimates: ## cor ## 0.610627
Cálculo del modelo de regresión lineal simple
modelo_lineal <- lm(runs ~ numero_bateos, datosB) # lm() devuelve el valor de la variable y para x=0 (intersección) junto # con la pendiente de la recta. # Para ver la información del modelo se requiere summary(). summary(modelo_lineal)
## ## Call: ## lm(formula = runs ~ numero_bateos, data = datosB) ## ## Residuals: ## Min 1Q Median 3Q Max ## -125.58 -47.05 -16.59 54.40 176.87 ## ## Coefficients: ## Estimate Std. Error t value Pr(>|t|) ## (Intercept) -2789.2429 853.6957 -3.267 0.002871 ** ## numero_bateos 0.6305 0.1545 4.080 0.000339 *** ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## ## Residual standard error: 66.47 on 28 degrees of freedom ## Multiple R-squared: 0.3729, Adjusted R-squared: 0.3505 ## F-statistic: 16.65 on 1 and 28 DF, p-value: 0.0003388
runs = -2789.2429 + 0.6305 bateos.
Intervalos de confianza para los parámetros del modelo
confint(modelo_lineal)
## 2.5 % 97.5 % ## (Intercept) -4537.9592982 -1040.5264727 ## numero_bateos 0.3139863 0.9471137
Representación gráfica del modelo
ggplot(data = datosB, mapping = aes(x = numero_bateos, y = runs)) + geom_point(color = "firebrick", size = 2) + labs(title = 'Runs ~ número de bateos', x = 'número de bateos') + geom_smooth(method = "lm", se = FALSE, color = "black") + theme_bw() + theme(plot.title = element_text(hjust = 0.5))
## `geom_smooth()` using formula = 'y ~ x'
par(mfrow = c(2,2)) plot(modelo_lineal)
Vamos a usar la libreria de Mtcars. Saben en que consiste?
library(ggplot2) ggplot(data = mtcars, aes(x = hp, y = mpg)) + geom_point() + geom_smooth(method = "lm", se = TRUE, color = "firebrick") + theme_bw() + labs(x = "", y = "")
## `geom_smooth()` using formula = 'y ~ x'
# Splitting the dataset into the Training set and Test set
# install.packages('caTools')
library(caTools)
set.seed(123)
split = sample.split(SALUD$grasas, SplitRatio = 0.8)
training_set = subset(SALUD, split == TRUE)
test_set = subset(SALUD, split == FALSE)
# Feature Scaling
# training_set = scale(training_set)
# test_set = scale(test_set)
# Fitting Multiple Linear Regression to the Training set
regressor = lm(formula = grasas ~ .,
data = training_set)
# Predicting the Test set results
y_pred = predict(regressor, newdata = test_set)
## ## Call: ## lm(formula = grasas ~ ., data = training_set) ## ## Residuals: ## Min 1Q Median 3Q Max ## -58.624 -24.629 1.426 28.193 88.815 ## ## Coefficients: ## Estimate Std. Error t value Pr(>|t|) ## (Intercept) 81.7720 74.5695 1.097 0.288 ## peso 0.7061 1.0081 0.700 0.493 ## edad 4.5437 0.7599 5.979 1.49e-05 *** ## --- ## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 ## ## Residual standard error: 41.02 on 17 degrees of freedom ## Multiple R-squared: 0.688, Adjusted R-squared: 0.6513 ## F-statistic: 18.74 on 2 and 17 DF, p-value: 5.015e-05
Ajusta el modelo que explica la cantidad de grasas en función del peso. - Calcula y representa gráficamente la recta de regresión, junto con la correspondiente nube de puntos.
¿Cuánto vale el coeficiente de correlación al cuadrado en este caso?
¿Cuánto valen los estimadores de todos los parámetros del modelo?
Contrasta la hipótesis de que la pendiente de la recta es cero a nivel 0.05.
Calcula un intervalo de confianza para la pendiente de la recta de nivel 90% .
Calcula y representa los intervalos de confianza al 95% de la cantidad de grasas media para los individuos entre 30 y 90 kg.
Lleva a cabo el diagnóstico del modelo.
Utilice la libreria de Mtcars (nota: data:(mtcars)) Para realizar una preducción del consumo de gasolina (mpg) en el modelo lineal multiple que utiliza como explicativas el peso del vehículo (wt) y los caballos de vapor (hp), en un coche que pese, 3 y tenga 120 hp. Nota: Use la función R: “predict”
## `geom_smooth()` using formula = 'y ~ x'
## fit lwr upr ## 1 189.0406 -158.0087 536.0898