Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 53 vistas

    Lab 1

    Cargado por

    Jhon J Vlez
    Este documento presenta un ejercicio de regresión lineal múltiple usando el conjunto de datos de precios de casas de Boston. El objetivo es crear un modelo para estimar el costo de una casa basado en sus características como delincuencia, calidad escolar, etc. Se implementa descenso de gradiente en Python para minimizar la función de costo y encontrar los parámetros óptimos. El documento guía al estudiante a través de la carga de datos, visualización, división de conjuntos de entrenamiento y prueba, entrenamiento del modelo,

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Lab 1

    Cargado por

    Jhon J Vlez
    53 vistas2 páginas
    Este documento presenta un ejercicio de regresión lineal múltiple usando el conjunto de datos de precios de casas de Boston. El objetivo es crear un modelo para estimar el costo de una casa basado en sus características como delincuencia, calidad escolar, etc. Se implementa descenso de gradiente en Python para minimizar la función de costo y encontrar los parámetros óptimos. El documento guía al estudiante a través de la carga de datos, visualización, división de conjuntos de entrenamiento y prueba, entrenamiento del modelo,

    Descripción original:

    laboratorio 1 Regresion lineal

    Título original

    Lab_1

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento presenta un ejercicio de regresión lineal múltiple usando el conjunto de datos de precios de casas de Boston. El objetivo es crear un modelo para estimar el costo de una casa basado en sus características como delincuencia, calidad escolar, etc. Se implementa descenso de gradiente en Python para minimizar la función de costo y encontrar los parámetros óptimos. El documento guía al estudiante a través de la carga de datos, visualización, división de conjuntos de entrenamiento y prueba, entrenamiento del modelo,

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    53 vistas2 páginas

    Lab 1

    Cargado por

    Jhon J Vlez
    Este documento presenta un ejercicio de regresión lineal múltiple usando el conjunto de datos de precios de casas de Boston. El objetivo es crear un modelo para estimar el costo de una casa basado en sus características como delincuencia, calidad escolar, etc. Se implementa descenso de gradiente en Python para minimizar la función de costo y encontrar los parámetros óptimos. El documento guía al estudiante a través de la carga de datos, visualización, división de conjuntos de entrenamiento y prueba, entrenamiento del modelo,

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 2

    UNIVERSIDAD DEL MAGDALENA

    FACULTAD DE INGENIERÍA
    PROGRAMA DE INGENIERÍA ELECTRÓNICA
    AUTÓMATAS
    Laboratorio 1 (4 de marzo de 2019)

    En este ejercicio, usted utilizará Python para implementar regresión lineal usando
    descenso de gradiente. Los métodos se implementarán sobre datos (adjuntos) dados en el
    formato xlsx.

    Para el ejercicio, suponga que usted es el gerente de una empresa inmobiliaria que quiere
    vender casas en Boston. Por lo tanto, busca crear un modelo de regresión que le permita
    estimar el costo de una casa en esa ciudad. Para ello usted cuenta con un “Dataset” muy
    conocido en el mundo del aprendizaje automático como lo es el “Boston house prices
    dataset” y que se encuentra adjunto con este documento (Boston.xlsx).

    El archivo boston.xlsx contiene los datos para nuestro problema de regresión


    lineal. La primeras trece columnas son las características que se tienen (LA información
    detallada se encuentra en: https://scikit-learn.org/stable/datasets/index.html) y la última
    columna es el costo de las casas para cada muestra.

    Visualización de los datos


    Estos datos se pueden graficar, pero una característica a las vez. Primero, cargue los
    valores del archivo en una variable (Ayudese del paquete Pandas). Luego, separe los datos
    en X para las características y y para los objetivos. Posteriormente, calcule la cantidad de
    datos de entrenamiento m.

    A continuación, realice las trece graficas los datos de manera que se vea como en la Figura
    1.

    Figura 1. Gráfica de los datos de entrenamiento para característica CRIM (tasa de delincuencia per
    capita)
    Descenso de Gradiente
    Usted implementará la regresión lineal para múltiples características para calcular los
    parámetros 𝜃. El objetivo de la regresión lineal es minimizar la función de costo.

    Donde la hipótesis es:


    ℎ# (𝑥) = 𝜃( + 𝜃* 𝑥* + 𝜃+ 𝑥+ + ⋯ + 𝜃*- 𝑥*-

    • Primero que todo revise las características X y determine si tiene que


    normalizarlas.
    • Con la ayuda del paquete train_test_split de la librería
    sklearn.model_selection divida los datos en dos grupos, uno para el conjunto de
    entrenamiento (80%) y otro para el test (20%)

    • Realice el entrenamiento del modelo basado en el ejemplo realizado en clase


    (También esta adjunto). Solo utilice el conjunto de entrenamiento.
    • Utilice varios valores de alpha y grafique la evolución de J y compare. Quédese
    con el mejor alpha y el mejor número de epocas.
    • Pruebe el modelo encontrado con los datos de test.

    Informe de laboratorio

    Realice un informe de la práctica realizada (Introducción, diseño, resultaods, análisis de


    resultados, conclusiones) donde muestre el correcto funcionamiento del algoritmo.

    También podría gustarte