Caso Especial Comparar Regresión Lineal Simple VS Regresión Polinomial con datos de Advertising
Luis Alberto Jimenez Soto
2022-09-20
1 Objetivo
Evaluar y comparar los modelos de regresión lineal simple y polinomial de segunda y quinta pontecia con datos de Adverstising_WEB.csv
2 Descripción
Se cargan los datos de la dirección:https://raw.githubusercontent.com/rpizarrog/Analisis-Inteligente-de-datos/main/datos/Advertising_Web.csv
Los datos contienen variables que en el contexto se interpreta que son inversiones hechas de una empresa y las ventas de la misma, a tanta inversión de marketing en medios tales como TV, Radio, NewsPapers (medios impresos) y Web (digital) existe en relacuón a las ventas (Sales) generadas.
Se trata de comparar modelos predictivos para evaluar cuál es mejor con respecto a los estadísticos R Square y RMSE.
Las variables de interés serán:
TV como variable independiente o la variable explicativa hacia la variables Sales
Sales como variable dependiente que es la variable a predecir.
Se construyen datos de entrenamiento y datos de validacion al 70 y 30% respectivamente
Se construyen el modelo de regresión lineal simple con los datos de entrenamiento y se evaluán los siguiente aspectos:
Se identifican los coeficientes a y b
Se analizan los niveles de confianza de los coeficientes.
Se identifica el valor de R Square par evaluar el grado de explicación de la variable dependiente con respecto a la variable independiente. El modelo se acepta si está por encima del 60%.
Se hacen prediciones con la funcion predict() con los datos de validación.
Se mide el valor de RMSE Root Mean Stándar Error.
Se construye el modelo polinomial a la segunda potencia y quinta potencia con los datos de entrenamiento y se evalúan los siguientes aspectos.
Se identifican los coeficientes
Se analizan los niveles de confianza de los coeficientes.
Se identifica el valor de R Square para evaluar el grado de explicación de la variable independiente con respecto a la variable dependiente. Se acepta si está por encima del 60%
Se hacen prediciones con la funcion predict() con los datos de validación.
Se mide el valor de rmse Root Mean Stándar Error.
3 Desarrollo
3.1 Cargar librerías
library(readr) # Sirve para importar datos
library(Metrics) # Sirve para construir métricas y valorar modelos
library (ggplot2) # Sirve para gráficos
library(caret) # Para partir los datos Entrenamiento y Validación.
library(knitr)3.2 Cargar datos
datos <- read.csv("https://raw.githubusercontent.com/rpizarrog/Analisis-Inteligente-de-datos/main/datos/Advertising_Web.csv")3.3 Describir datos
summary(datos)## X.1 X TV Radio
## Min. : 1.00 Min. : 1.00 Min. : 0.70 Min. : 0.000
## 1st Qu.: 50.75 1st Qu.: 50.75 1st Qu.: 74.38 1st Qu.: 9.975
## Median :100.50 Median :100.50 Median :149.75 Median :22.900
## Mean :100.50 Mean :100.50 Mean :147.04 Mean :23.264
## 3rd Qu.:150.25 3rd Qu.:150.25 3rd Qu.:218.82 3rd Qu.:36.525
## Max. :200.00 Max. :200.00 Max. :296.40 Max. :49.600
## Newspaper Web Sales
## Min. : 0.30 Min. : 4.308 Min. : 1.60
## 1st Qu.: 12.75 1st Qu.: 99.049 1st Qu.:10.38
## Median : 25.75 Median :156.862 Median :12.90
## Mean : 30.55 Mean :159.587 Mean :14.02
## 3rd Qu.: 45.10 3rd Qu.:212.312 3rd Qu.:17.40
## Max. :114.00 Max. :358.247 Max. :27.00str(datos)## 'data.frame': 200 obs. of 7 variables:
## $ X.1 : int 1 2 3 4 5 6 7 8 9 10 ...
## $ X : int 1 2 3 4 5 6 7 8 9 10 ...
## $ TV : num 230.1 44.5 17.2 151.5 180.8 ...
## $ Radio : num 37.8 39.3 45.9 41.3 10.8 48.9 32.8 19.6 2.1 2.6 ...
## $ Newspaper: num 69.2 45.1 69.3 58.5 58.4 75 23.5 11.6 1 21.2 ...
## $ Web : num 306.6 302.7 49.5 257.8 195.7 ...
## $ Sales : num 22.1 10.4 9.3 18.5 12.9 7.2 11.8 13.2 4.8 10.6 ...3.3.1 Visualizar la dispersión de los datos
ggplot(datos, aes(x = TV, y = Sales)) +
geom_point(colour = "blue") +
geom_smooth(colour = 'orange', method = lm) +
geom_smooth(colour = 'red') 
Se observa que la relación entre las dos variables no es del todo lineal.
3.4 Construir Datos de entrenamiento y validación
Los datos de entrenamiento son el 70% de los datos originales y los de validación el 30%.
Se siembra una semilla del año en curso 1271 para generar los mismos valores cada vez que se cnstruya el documento markdown.
set.seed(1271)Los datos se particionan usando la función createDataPartition() al 70 % el resultado es vector con los registros que pertenecen a datos de entrenamiento de los datos originales.
datos[entrena, ], son los datos de entrenamiento y
datos[- entrena, ] son los datos de validación.
entrena <- createDataPartition(y = datos$Sales, p = 0.70, list = FALSE, times = 1)
# Datos entrenamiento
datos.entrenamiento <- datos[entrena, ] # [renglones, columna]
# Datos validación
datos.validacion <- datos[-entrena, ]3.4.1 Datos de entrenamiento 70%
Se despliegan los primeros diez registros de los datos de entrenamiento y no deben aparecer en los datos de validación deben ser diferentes unos con otros.
head(datos.entrenamiento, 10)## X.1 X TV Radio Newspaper Web Sales
## 2 2 2 44.5 39.3 45.1 302.65307 10.4
## 3 3 3 17.2 45.9 69.3 49.49891 9.3
## 4 4 4 151.5 41.3 58.5 257.81689 18.5
## 5 5 5 180.8 10.8 58.4 195.66008 12.9
## 6 6 6 8.7 48.9 75.0 22.07240 7.2
## 8 8 8 120.2 19.6 11.6 229.97146 13.2
## 9 9 9 8.6 2.1 1.0 144.61739 4.8
## 11 11 11 66.1 5.8 24.2 45.35903 8.6
## 12 12 12 214.7 24.0 4.0 164.97176 17.4
## 13 13 13 23.8 35.1 65.9 87.92109 9.2paste("Número de observaciones en datos de entrenamiento ", nrow(datos.entrenamiento))## [1] "Número de observaciones en datos de entrenamiento 142"3.4.2 Datos de validación 30%
Se despliegan los primeros diez registros y no deben estar en los datos de entrenamiento
head(datos.validacion, 10)## X.1 X TV Radio Newspaper Web Sales
## 1 1 1 230.1 37.8 69.2 306.63475 22.1
## 7 7 7 57.5 32.8 23.5 246.81160 11.8
## 10 10 10 199.8 2.6 21.2 111.27226 10.6
## 16 16 16 195.4 47.7 52.9 148.09513 22.4
## 17 17 17 67.8 36.6 114.0 202.63890 12.5
## 19 19 19 69.2 20.5 18.3 210.48991 11.3
## 20 20 20 147.3 23.9 19.1 268.73538 14.6
## 23 23 23 13.2 15.9 49.6 219.88278 5.6
## 37 37 37 266.9 43.8 5.0 96.31683 25.4
## 39 39 39 43.1 26.7 35.1 122.75359 10.1paste("Número de observaciones en datos de entrenamiento ", nrow(datos.validacion))## [1] "Número de observaciones en datos de entrenamiento 58"3.5 Modelo de regresión lineal simple
La variable dependiente Sales está en función de la variable independiente TV y se designa con el argumento Formula = Sales ~ TV de los datos (data) de entrenamiento.
modelo.simple <- lm(data = datos.entrenamiento, formula = Sales ~ TV)3.5.1 Resumen del modelo
Generando el resumen del modelo
resumen <- summary(modelo.simple)
resumen##
## Call:
## lm(formula = Sales ~ TV, data = datos.entrenamiento)
##
## Residuals:
## Min 1Q Median 3Q Max
## -7.922 -2.022 -0.199 2.107 7.516
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.269492 0.553258 13.14 <2e-16 ***
## TV 0.045004 0.003189 14.11 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.266 on 140 degrees of freedom
## Multiple R-squared: 0.5872, Adjusted R-squared: 0.5843
## F-statistic: 199.2 on 1 and 140 DF, p-value: < 2.2e-163.5.2 El valor de los coeficientes a y b
a <- modelo.simple$coefficients[1]
b <- modelo.simple$coefficients[2]
a; b## (Intercept)
## 7.269492## TV
## 0.04500449Los coeficientes tienen un nivel de confianza a 99% (‘***’) por lo que el modelo tiene buenos predictores o al 99% de confianza.
3.5.3 Valor de R Square
El valor de Multiple R-squared es de 0.6466 o del 64.66% por lo que SI SE ACEPTA EL MODELO por encima del 60% como inicialmente se estableció como meta.
resumen$r.squared## [1] 0.58724923.5.4 Predicciones del modelo
Con la función predict() se generan predicciones de los datos de validación.
Las predicciones estarán en función de la fórmula y de los valores de los coeficentes a y b:
\[ Y = a + b \cdot x_i \\ \therefore\\ Y = 6.801923 + 0.05013817 \cdot TV_i \]
predicciones <- predict(object = modelo.simple, newdata = datos.validacion)3.5.4.1 Estimación lineal
ggplot(data = datos.entrenamiento, aes(x = TV, y = Sales)) +
geom_point(colour = "blue") +
geom_line(aes(x = TV, y = modelo.simple$fitted.values, colour = 'red'))
3.5.4.2 Generar tabla comparativa
Se construye una tabla comparativa con los datos de validación y las predicciones generadas para comparar y generar el estadístico rmse.
tabla <- data.frame(TV = datos.validacion$TV, Sales.real = datos.validacion$Sales, Sales.predicciones = predicciones)
tabla## TV Sales.real Sales.predicciones
## 1 230.1 22.1 17.625026
## 7 57.5 11.8 9.857250
## 10 199.8 10.6 16.261390
## 16 195.4 22.4 16.063370
## 17 67.8 12.5 10.320797
## 19 69.2 11.3 10.383803
## 20 147.3 14.6 13.898654
## 23 13.2 5.6 7.863551
## 37 266.9 25.4 19.281191
## 39 43.1 10.1 9.209186
## 42 177.0 17.1 15.235287
## 43 293.6 20.7 20.482811
## 46 175.1 14.9 15.149779
## 49 227.2 14.8 17.494513
## 52 100.4 10.7 11.787943
## 56 198.9 23.7 16.220885
## 57 7.3 5.5 7.598025
## 66 69.0 9.3 10.374802
## 68 139.3 13.4 13.538618
## 70 216.8 22.3 17.026466
## 74 129.4 11.0 13.093073
## 78 120.5 14.2 12.692533
## 80 116.0 11.0 12.490013
## 83 75.3 11.3 10.658330
## 84 68.4 13.6 10.347799
## 87 76.3 12.0 10.703335
## 88 110.7 16.0 12.251489
## 92 28.6 7.3 8.556621
## 100 135.2 17.2 13.354099
## 101 222.4 11.7 17.278491
## 108 90.4 8.7 11.337898
## 109 13.1 5.3 7.859051
## 110 255.4 19.8 18.763639
## 116 75.1 12.6 10.649329
## 119 125.7 15.9 12.926557
## 126 87.2 10.6 11.193884
## 130 59.6 9.7 9.951760
## 131 0.7 1.6 7.300995
## 132 265.2 12.7 19.204683
## 137 25.6 9.5 8.421607
## 138 273.7 20.8 19.587221
## 139 43.0 9.6 9.204685
## 143 220.5 20.1 17.192982
## 148 243.2 25.4 18.214584
## 158 149.8 10.1 14.011165
## 161 172.5 14.4 15.032767
## 164 163.5 18.0 14.627726
## 167 17.9 8.0 8.075072
## 168 206.8 12.2 16.576421
## 169 215.4 17.1 16.963460
## 172 164.5 14.5 14.672731
## 176 276.9 27.0 19.731236
## 177 248.4 20.2 18.448608
## 185 253.8 17.6 18.691632
## 193 17.2 5.9 8.043569
## 195 149.7 17.3 14.006664
## 196 38.2 7.6 8.988664
## 198 177.0 12.8 15.2352873.5.4.3 Evaluar predicciones con rmse
Se determina la variación de los valores reales contra las predicciones por medio del estadístico rmse (Root Mean Stándar Error) que servirá para compararse con otro modelo concluyendo que en el que tenga menor error es mas eficiente el modelo.
rmse Root Mean Stándar Error, este valor normalmente se compara contra otro modelo y el que esté mas cerca de cero es mejor.
RMSE es una forma útil de ver qué tan bien un modelo de regresión puede ajustarse a un conjunto de datos.
Cuanto mayor sea el rmse, mayor será la diferencia entre los valores predichos y reales, lo que significa que peor se ajusta un modelo de regresión a los datos. Por el contrario, cuanto más pequeño sea el rmse, mejor podrá un modelo ajustar los datos.
\[ rmse = \sqrt{\frac{\sum(predicho_i - real_i)^{2}}{n}} \]
Se obtiene la métrica con la función rmse() de la librería Metrics previamente argada.
rmse.lineal <- rmse(actual = tabla$Sales.real, predicted = tabla$Sales.predicciones)
rmse.lineal## [1] 3.274451El valor de rmse es de: 3.2744511 y habrá que compararse con otro modelo que se haya construído con los mismos datos y las mismas variables, ejemplo modelos de regresión polinomial.
3.6 Modelo de regresión polinomial de segundo nivel
La variable dependiente Sales está en función de la variable independiente TV y se designa con el argumento Formula = Sales ~ TV de los datos (data) de entrenamiento pero en función de elevar al cuadrado el valor del coeficiente TV.
\[ Y = \beta0 + \beta_1\cdot x_i+\beta_2\cdot x_i^2 + ... \beta_n \cdot x_i^n \]
3.6.1 Usando argumento Poly
modelo.poly2 <- lm(data = datos.entrenamiento, formula = Sales ~ poly(x = TV, degree = 2, raw = TRUE))3.6.2 Usando argumento I
modelo.poly2.I <- lm(Sales ~ TV + I(x = TV ^ 2), data = datos.entrenamiento)3.6.3 Resumen del modelo
Generando el resumen del modelo
resumen <- summary(modelo.poly2)
resumen##
## Call:
## lm(formula = Sales ~ poly(x = TV, degree = 2, raw = TRUE), data = datos.entrenamiento)
##
## Residuals:
## Min 1Q Median 3Q Max
## -7.2387 -2.0754 -0.2335 1.9948 7.3935
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6.326e+00 7.943e-01 7.965 5.34e-13
## poly(x = TV, degree = 2, raw = TRUE)1 6.507e-02 1.260e-02 5.166 8.14e-07
## poly(x = TV, degree = 2, raw = TRUE)2 -6.913e-05 4.200e-05 -1.646 0.102
##
## (Intercept) ***
## poly(x = TV, degree = 2, raw = TRUE)1 ***
## poly(x = TV, degree = 2, raw = TRUE)2
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.247 on 139 degrees of freedom
## Multiple R-squared: 0.5951, Adjusted R-squared: 0.5893
## F-statistic: 102.2 on 2 and 139 DF, p-value: < 2.2e-16Los coeficientes tienen un nivel de confianza a 99% (‘***’) excepto el predictor b2 que tienen un nivel de confianza por debajo del 90%. Sin embargo se aceptan los predictores.
3.6.4 El valor de los coeficientes con modelo Poly
b0 <- modelo.poly2$coefficients[1]
b1 <- modelo.poly2$coefficients[2]
b2 <- modelo.poly2$coefficients[3]
b0; b1; b2## (Intercept)
## 6.326107## poly(x = TV, degree = 2, raw = TRUE)1
## 0.06507278## poly(x = TV, degree = 2, raw = TRUE)2
## -6.913325e-053.6.5 Coeficientes con el modelo I
bI0 <- modelo.poly2$coefficients[1]
bI1 <- modelo.poly2$coefficients[2]
bI2 <- modelo.poly2$coefficients[3]
bI0; bI1; bI2## (Intercept)
## 6.326107## poly(x = TV, degree = 2, raw = TRUE)1
## 0.06507278## poly(x = TV, degree = 2, raw = TRUE)2
## -6.913325e-05Deben ser los mismos valores.
3.6.6 Valor de R Square
El valor de Multiple R-squared es de 0.6299282 o del 62.99% por lo que SI SE ACEPTA EL MODELO por encima del 60% como inicialmente se estableció como meta.
resumen$r.squared## [1] 0.59514143.6.7 Predicciones del modelo
Con la función predict() se generan predicciones de los datos de validación.
Las predicciones estarán en función de la fórmula y de los valores de los coeficentes a y b:
\[ Y = \beta0 + \beta_1\cdot x+\beta_2\cdot x^2 + ... \beta_n \cdot x^n \\ \therefore Y = 6.108493 + 0.06526148 \cdot TV_i + -5.309162e-05 \cdot TV_i^2 \]
predicciones <- predict(object = modelo.poly2, newdata = datos.validacion)3.6.7.1 Curva de estimación
ggplot(data = datos.entrenamiento, aes(x = TV, y = Sales)) +
geom_point(colour = "blue") +
geom_line(aes(x = TV, y = modelo.poly2$fitted.values, colour = 'red'))
3.6.7.2 Generar tabla comparativa
Se construye una tabla comparativa con los datos de validación y las predicciones generadas para comparar y generar el estadístico rmse.
tabla <- data.frame(TV = datos.validacion$TV, Sales.real = datos.validacion$Sales, Sales.predicciones = predicciones)
tabla## TV Sales.real Sales.predicciones
## 1 230.1 22.1 17.639025
## 7 57.5 11.8 9.839220
## 10 199.8 10.6 16.567847
## 16 195.4 22.4 16.401741
## 17 67.8 12.5 10.420247
## 19 69.2 11.3 10.498089
## 20 147.3 14.6 14.411324
## 23 13.2 5.6 7.173022
## 37 266.9 25.4 18.769284
## 39 43.1 10.1 9.002321
## 42 177.0 17.1 15.678114
## 43 293.6 20.7 19.472124
## 46 175.1 14.9 15.600725
## 49 227.2 14.8 17.541996
## 52 100.4 10.7 12.162540
## 56 198.9 23.7 16.534089
## 57 7.3 5.5 6.797454
## 66 69.0 9.3 10.486986
## 68 139.3 13.4 14.049250
## 70 216.8 22.3 17.184469
## 74 129.4 11.0 13.588933
## 78 120.5 14.2 13.163545
## 80 116.0 11.0 12.944293
## 83 75.3 11.3 10.834096
## 84 68.4 13.6 10.453641
## 87 76.3 12.0 10.888688
## 88 110.7 16.0 12.682471
## 92 28.6 7.3 8.130640
## 100 135.2 17.2 13.860258
## 101 222.4 11.7 17.378842
## 108 90.4 8.7 11.643719
## 109 13.1 5.3 7.166696
## 110 255.4 19.8 18.436192
## 116 75.1 12.6 10.823161
## 119 125.7 15.9 13.413417
## 126 87.2 10.6 11.474776
## 130 59.6 9.7 9.958873
## 131 0.7 1.6 6.371624
## 132 265.2 12.7 18.721196
## 137 25.6 9.5 7.946663
## 138 273.7 20.8 18.957639
## 139 43.0 9.6 8.996409
## 143 220.5 20.1 17.313380
## 148 243.2 25.4 18.062836
## 158 149.8 10.1 14.522657
## 161 172.5 14.4 15.494016
## 164 163.5 18.0 15.117420
## 167 17.9 8.0 7.468759
## 168 206.8 12.2 16.826589
## 169 215.4 17.1 17.135198
## 172 164.5 14.5 15.159817
## 176 276.9 27.0 19.044065
## 177 248.4 20.2 18.224488
## 185 253.8 17.6 18.388400
## 193 17.2 5.9 7.424906
## 195 149.7 17.3 14.518220
## 196 38.2 7.6 8.711005
## 198 177.0 12.8 15.6781143.6.7.3 Evaluar predicciones con rmse
Se determina la variación de los valores reales contra las predicciones por medio del estadístico rmse (Root Mean Stándar Error) que servirá para compararse con otro modelo concluyendo que en el que tenga menor error es mas eficiente el modelo.
rmse Root Mean Stándar Error, este valor normalmente se compara contra otro modelo y el que esté mas cerca de cero es mejor.
RMSE es una forma útil de ver qué tan bien un modelo de regresión puede ajustarse a un conjunto de datos.
Cuanto mayor sea el rmse, mayor será la diferencia entre los valores predichos y reales, lo que significa que peor se ajusta un modelo de regresión a los datos. Por el contrario, cuanto más pequeño sea el rmse, mejor podrá un modelo ajustar los datos.
\[ rmse = \sqrt{\frac{\sum(predicho_i - real_i)^{2}}{n}} \]
Se obtiene la métrica con la función rmse() de la librería Metrics previamente argada.
rmse.poly2 <- rmse(actual = tabla$Sales.real, predicted = tabla$Sales.predicciones)
rmse.poly2## [1] 3.243766El valor de rmse es de: 3.2437655 y habrá que compararse con otro modelo que se haya construido con los mismos datos y las mismas variables, ejemplo modelos de regresión polinomial.
3.7 Modelo de regresión polinomial de quinto nivel
La variable dependiente Sales está en función de la variable independiente TV y se designa con el argumento Formula = Sales ~ TV de los datos (data) de entrenamiento pero en función de elevar a la quinta potencia el valor del coeficiente TV.
\[ Y = \beta0 + \beta_1\cdot x_i+\beta_2\cdot x_i^2 + ... \beta_5\cdot x_i^5 \]
3.7.1 Usando argumento Poly
modelo.poly5 <- lm(data = datos.entrenamiento, formula = Sales ~ poly(x = TV, degree = 5, raw = TRUE))3.7.2 Resumen del modelo
Generando el resumen del modelo
resumen <- summary(modelo.poly5)
resumen##
## Call:
## lm(formula = Sales ~ poly(x = TV, degree = 5, raw = TRUE), data = datos.entrenamiento)
##
## Residuals:
## Min 1Q Median 3Q Max
## -7.7186 -1.8303 -0.1965 1.9391 7.4632
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.714e+00 1.755e+00 2.115 0.0362 *
## poly(x = TV, degree = 5, raw = TRUE)1 2.906e-01 1.251e-01 2.322 0.0217 *
## poly(x = TV, degree = 5, raw = TRUE)2 -4.987e-03 2.584e-03 -1.930 0.0557 .
## poly(x = TV, degree = 5, raw = TRUE)3 4.270e-05 2.182e-05 1.957 0.0524 .
## poly(x = TV, degree = 5, raw = TRUE)4 -1.599e-07 8.053e-08 -1.986 0.0490 *
## poly(x = TV, degree = 5, raw = TRUE)5 2.153e-10 1.076e-10 2.001 0.0474 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.23 on 136 degrees of freedom
## Multiple R-squared: 0.6079, Adjusted R-squared: 0.5935
## F-statistic: 42.18 on 5 and 136 DF, p-value: < 2.2e-16Los coeficientes tienen un nivel de confianza por encima del 90% (‘***’) excepto el predictor b5 que tienen un nivel de confianza por debajo del 90%. Sin embargo se aceptan los predictores.
3.7.3 El valor de los coeficientes con modelo Poly
b0 <- modelo.poly5$coefficients[1]
b1 <- modelo.poly5$coefficients[2]
b2 <- modelo.poly5$coefficients[3]
b3 <- modelo.poly5$coefficients[4]
b4 <- modelo.poly5$coefficients[5]
b5 <- modelo.poly5$coefficients[6]
b0; b1; b2; b3; b4; b5## (Intercept)
## 3.713603## poly(x = TV, degree = 5, raw = TRUE)1
## 0.2905507## poly(x = TV, degree = 5, raw = TRUE)2
## -0.004987459## poly(x = TV, degree = 5, raw = TRUE)3
## 4.27025e-05## poly(x = TV, degree = 5, raw = TRUE)4
## -1.599296e-07## poly(x = TV, degree = 5, raw = TRUE)5
## 2.152689e-103.7.4 Valor de R Square
El valor de Multiple R-squared es de 0.6426 o del 64.26% por lo que SI SE ACEPTA EL MODELO por encima del 60% como inicialmente se estableció como meta.
resumen$r.squared## [1] 0.60794023.7.5 Predicciones del modelo
Con la función predict() se generan predicciones de los datos de validación.
Las predicciones estarán en función de la fórmula y de los valores de los coeficentes a y b:
\[ Y = \beta0 + \beta_1\cdot x+\beta_2\cdot x^2 \beta_3\cdot x^3+ \beta_4\cdot x^4 + \beta_5\cdot x^5 \\ \therefore \\ Y = 3.200194 + 0.2979779\cdot TV_i + -0.004548809 \cdot TV_i^2 + 3.519913e-05 \cdot TV_i^3 + -1.218158e-07 \cdot TV_i^4 + 1.547874e-10 \cdot TV_i^5 \]
predicciones <- predict(object = modelo.poly5, newdata = datos.validacion)3.7.5.1 Curva de estimación
ggplot(data = datos.entrenamiento, aes(x = TV, y = Sales)) +
geom_point(colour = "blue") +
geom_line(aes(x = TV, y = modelo.poly5$fitted.values, colour = 'red'))
3.7.5.2 Generar tabla comparativa
Se construye una tabla comparativa con los datos de validación y las predicciones generadas para comparar y generar el estadístico rmse.
tabla <- data.frame(TV = datos.validacion$TV, Sales.real = datos.validacion$Sales, Sales.predicciones = predicciones)
tabla## TV Sales.real Sales.predicciones
## 1 230.1 22.1 17.271097
## 7 57.5 11.8 10.435699
## 10 199.8 10.6 16.939235
## 16 195.4 22.4 16.821237
## 17 67.8 12.5 10.724246
## 19 69.2 11.3 10.761299
## 20 147.3 14.6 14.412376
## 23 13.2 5.6 6.773302
## 37 266.9 25.4 17.863189
## 39 43.1 10.1 9.870619
## 42 177.0 17.1 16.110347
## 43 293.6 20.7 21.098658
## 46 175.1 14.9 16.018497
## 49 227.2 14.8 17.264931
## 52 100.4 10.7 11.773198
## 56 198.9 23.7 16.916772
## 57 7.3 5.5 5.585004
## 66 69.0 9.3 10.756010
## 68 139.3 13.4 13.907176
## 70 216.8 22.3 17.211785
## 74 129.4 11.0 13.293427
## 78 120.5 14.2 12.771887
## 80 116.0 11.0 12.524304
## 83 75.3 11.3 10.924314
## 84 68.4 13.6 10.740137
## 87 76.3 12.0 10.951750
## 88 110.7 16.0 12.249443
## 92 28.6 7.3 8.839896
## 100 135.2 17.2 13.650151
## 101 222.4 11.7 17.247979
## 108 90.4 8.7 11.386986
## 109 13.1 5.3 6.755291
## 110 255.4 19.8 17.450571
## 116 75.1 12.6 10.918861
## 119 125.7 15.9 13.072098
## 126 87.2 10.6 11.278351
## 130 59.6 9.7 10.498587
## 131 0.7 1.6 3.914559
## 132 265.2 12.7 17.777833
## 137 25.6 9.5 8.533227
## 138 273.7 20.8 18.315060
## 139 43.0 9.6 9.865498
## 143 220.5 20.1 17.237995
## 148 243.2 25.4 17.303096
## 158 149.8 10.1 14.569436
## 161 172.5 14.4 15.887925
## 164 163.5 18.0 15.397513
## 167 17.9 8.0 7.545319
## 168 206.8 12.2 17.085158
## 169 215.4 17.1 17.199245
## 172 164.5 14.5 15.454615
## 176 276.9 27.0 18.599064
## 177 248.4 20.2 17.342136
## 185 253.8 17.6 17.418537
## 193 17.2 5.9 7.439201
## 195 149.7 17.3 14.563173
## 196 38.2 7.6 9.592064
## 198 177.0 12.8 16.1103473.7.5.3 Evaluar predicciones con rmse
Se determina la variación de los valores reales contra las predicciones por medio del estadístico rmse (Root Mean Stándar Error) que servirá para compararse con otro modelo concluyendo que en el que tenga menor error es mas eficiente el modelo.
rmse Root Mean Stándar Error, este valor normalmente se compara contra otro modelo y el que esté mas cerca de cero es mejor.
RMSE es una forma útil de ver qué tan bien un modelo de regresión puede ajustarse a un conjunto de datos.
Cuanto mayor sea el rmse, mayor será la diferencia entre los valores predichos y reales, lo que significa que peor se ajusta un modelo de regresión a los datos. Por el contrario, cuanto más pequeño sea el rmse, mejor podrá un modelo ajustar los datos.
\[ rmse = \sqrt{\frac{\sum(predicho_i - real_i)^{2}}{n}} \]
Se obtiene la métrica con la función rmse() de la librería Metrics previamente argada.
rmse.poly5 <- rmse(actual = tabla$Sales.real, predicted = tabla$Sales.predicciones)
rmse.poly5## [1] 3.262464El valor de rmse es de: 3.2624641 y habrá que compararse con otro modelo que se haya construido con los mismos datos y las mismas variables, ejemplo modelos de regresión polinomial.
4 Interpretación
Se cambio la semilla como se recomendo, con esto podemos ver que los valores de R Square se logro mantener por encima del 60%, por lo que podemos aceptar el modelo conforme los valores que se nos dieron.
Los tres modelos tienen un R Square por encima del 60% por lo que se acepta el modelo conforme a la métrica establecida como estadístico de medición. Estosignifica que la variable TV explica al menos el 60% a la variable Sales.
Los coeficientes de los tres modelos son diferents de 0 con nivees de confianza en su mayoría por encima del 90%
La tabla siguiente resume cual modelo es más eficiente dado que tiene menor error de variación rmse = Root Mean Stándar Error.
modelos <- c("Lineal Simple", "Polinomial Segundo nivel", "Polinomial Quinto nivel")
rmse <- c(c(rmse.lineal, rmse.poly2, rmse.poly5))
comparativo.rmse <- data.frame(modelos, rmse)kable(x = comparativo.rmse, caption = "Comparativo con rmse", )| modelos | rmse |
|---|---|
| Lineal Simple | 3.274451 |
| Polinomial Segundo nivel | 3.243765 |
| Polinomial Quinto nivel | 3.262464 |
El modelo más óptimo en cuanto a la métrica de rmse es Polinomial Segundo nivel con un valor de 3.243765 comparado con los otros dos y que significa que las predicciones tienen menor variación o diferencia con respecto a los valores reales.
Algo interesante a notar, es que incluso con ese simple cambio en la semilla, podemos ver como resultan algunas mejores que otras, en nuestro caso con 1271, obtuvimos un valor peor que el obtenido con la semilla 2022, donde el mejor valor de rmse resulto de: 3.092417