Regressions Models

Modelo/Método matemático usado para predecir datos cuantitativos

(numéricos), buscando determinar la relación y efecto de una/s
variable/s ‘Independiente’ sobre una única variable ‘Dependiente’.


La relación es ‘Lineal’ sí la razón de cambio (pendiente) es

constante tanto en el eje ‘X’ como en el eje ‘Y’ al aumentar en 1.

Regresión Lineal Simple

Entrenar una mejor ‘media’ a través
de los datos, evaluando la influencia
relativa de una variable independiente
(X) sobre una variable dependiente (Y)
en un plano 2D.

Problemas con los valores Atípicos.

(una unidad muy distante al resto de
los datos)

Regresión Lineal Múltiple

Entrenar para múltiples variables
independientes (X) su mejor ‘media’,
evaluando la influencia de cada una
sobre una variable dependiente (Y) en
un plano 2D y 3D.

Problemas con los valores atípicos y

con DataSets incompletos.


La relación es ‘No Lineal’ si la razón de cambio (pendiente) es
producto de operaciones matemáticas no proporcionales lo que se
traduce en una función curva.

Regresión Polinomial
Entrena una mejor ‘media’
convirtiendo los datos a ‘Cuadráticos
(^2)’ o ‘Cúbicos (^3)’, así,
determinando la exponencial de los
datos obtenemos una ‘media’ curva.

Problemas con la relación Sesgo /

Varianza. (modelo bueno con los
datos de entrenamiento pero malo en
el pronostico)

Support Vector Regression (SVR)

Entrenar un mejor ‘hiperplano’ (media)
con dos bandas (‘positiva’ y ‘negativa’) E (epsilon)
qué cubran los datos de acuerdo a un
‘rango' (máximo margen) compuesto
por ambas bandas.

Es para DataSets chicos, requiere

DataSets completos y limpios, y
requiere ‘Escalado’ de los datos.

Regresión con Decision Tree

Entrenar una mejor ‘vía’ (media) que
represente el resultado, costos y/o
consecuencias de una previa decisión
en términos predictivos.

Problemas con DataSets pequeños

ya que fácilmente se produce
‘Overfitting’ (sobre ajuste).
 Regresión con Random Forest
Entrenar una mejor ‘vía’ (media) con

un numero N de 'Arboles de
Decisión’ independientes que al
combinar los resultados se obtiene
una media de predicción mas estable
y precisa que la de un solo ‘Arbol’.

Overfitting, costosos y suelen ser

lentos al ejecutar el modelo (es difícil
hallar el N de arboles adecuados).

Para determinar el modelo que mejor se ajuste a nuestra

problemática se utiliza la técnica: ‘K-Fold Cross Validation’

(se divide el conjunto de datos del DataSet en ‘k contenedores iguales’,

luego se determina el conjunto de ‘Entrenamiento’ y ‘Testing’, después se
efectúa la técnica de validación cruzada (cada contenedor participa tanto en
el conjunto de Entrenamiento como de Testing) y finalmente se promedian
todas las validaciones dando como resultado una mejor ‘vía’ (media)).

Evaluar Modelos de Regresión

Estas técnicas dan información sobre el modelo que estamos usando
para evaluar el sentido estadístico y matemático que tienen.


R² (R Cuadrado) R² Adj (R Cuadrado ajustado) Coeficientes

Es un valor que mejora al Es un ‘rango’ entre 0 y 1 Es importante saber leer he
tener mas variables en el que es asociado a cada interpretar los
modelo para predecir, a variable ‘independiente’, ‘Coeficientes’ estadísticos
más alto, mejor. para calificar el nivel de por qué pueden ser de
influencia que tiene cada signo, magnitud y tipo de
una sobre la variable unidades diferentes.

‘dependiente’.

Ej: Medidas Dólares

Podemos ajustar nuestro
modelo haciendo
eliminación hacia atrás
hasta obtener el mayor
sentido estadístico.
Classifications Models
Modelo/Método matemático para asignar una ‘Clase’ (tipo) a cada dato
del conjunto de dato de entrenamiento, a modo de predecir la clase a
la que pertenecen los nuevos datos que serán evaluados (registrados),
clasificar cada dato en una clase.


La relación es ‘Lineal’ sí la razón de cambio (pendiente) es

constante tanto en el eje ‘X’ como en el eje ‘Y’ al aumentar en 1.

Regresión Logística
Entrenar una mejor ‘media’ que divida
homogéneamente dos clases que nos
permita evaluar y predecir la presencia
o ausencia de alguna característica en
los datos.

Problemas con variables Atípicas,

difícil trabajar con datos No Lineal

Support Vector Machine (SVM)

Entrenar un ‘Hiperplano’ qué separe
de la mejor manera posible dos
‘clases’ diferentes aceptando un
‘Margen’ (rango) de error.

Eficaz donde el número de

dimensiones es mayor al número de
muestras.


La relación es ‘No Lineal’ si la razón de cambio (pendiente) es
producto de operaciones matemáticas no proporcionales lo que se
traduce en una función curva.

Kernel Gaussiano (RBF)

Es una ‘Función de Kernel’ posible
en un modelo de SVM que aumenta la
dimensión del modelo para hacer los
datos linealmente separables (efecto:
Campana de Gauss) .
Separación Separación
lineal lineal
imposible posible

2D 3D

K-Nearest Neighbors (K-NN)

K Vecinos más Cercanos entrena un
‘limite’ construido evaluando la
‘clase’ y la ‘cantidad’ de los vecinos
mas cercanos (datos) de cada dato
dentro de un radio proporcional.

Costoso, lento para predecir, y

funciona mal en DataSets grandes.

Clasificador Naïve Bayes (NBC)

Naïve : Ingenuo | Entrena una media
entre dos ‘clases’ asumiendo que no
existen variables ‘interdependientes’

(relacionadas) en el conjunto de datos,

lo cual permite una operación rápida y
superficial al efectuar una predicción.,

Pasa por alto patrones colectivos y

relaciones complejas en los datos.
 Clasificación con Decision Tree

Entrenar un único mapa (ruta) que
secciona los datos de un DataSet para
uso predictivo en clasificar nuevos
datos. Además explicar desiciones
relacionadas.

Problemas de Overfitting y exige

equilibrar (equidistar extremos ∆) el
conjunto de datos previamente.

Clasificación con Random Forest

Entrena un mapa (ruta) robusto y
efectivo (promedio de cada predicción
de todos los árboles) que secciona los
datos del DataSet para uso predictivo
en clasificar nuevos datos.

Es lento; cada árbol debe hacer una

predicción diferente y una votación.
No suelen sufrir de Overfitting.

Evaluar Modelos de Clasificación

Matriz de Confusión

Curva CAP

Nos muestra los aciertos y errores 4 Encontrar el

sobre la muestra de ‘Testing’ 3 ‘Modelo Aleatorio’
2
y ‘Modelo Perfecto’

Training N T-N para evaluar

1 entonces un

Testing X T-X 0 ‘Buen Modelo’

0 1 2 3 4 5 6
Clustering Models
Modelo matemático para identificar en un conjunto de datos patrones
que permitan ‘agrupar’, segmentar, aglomerar, categorizar los datos
para posteriormente ‘etiquetar' los registros. La categorización puede
ser llevada a cabo sin previamente conocer la características de los
datos ni sus aglomeraciones.


K-Means
Agrupar/segmentar en ‘K’ grupos
(categorías) los datos. Se efectúan
operaciones a los ‘Baricentros’ y sus
distancias respecto a los datos, hasta
centrarlos bien en cada grupo.

Según dónde se inicialicen los

‘Baricentros’ los resultados pueden
ser bien diferentes.

La Técnica del Codo es un método

para averiguar la cantidad adecuada
de ‘Clusters’ (grupos) que debe tener Vértice de mayor
cambio de intensidad

(5 Clusters)
nuestro modelo.

El vértice con mayor intensidad de

cambio, nos revela cuándo el sentido
matemático respecto a la cantidad de
‘clusters’ comienza a perder el
sentido.

Aquel vértice nos muestra la cantidad

optima de ‘clusters’ que debe tener
nuestro modelo.
 Clustering Jerárquico

 Agrupar (aglomerar) y/o dividir los
datos en ‘clusters’. Se averiguan todas
las posibles aglomeraciones y
divisiones que se les puede
determinar a los datos.

Problemas con DataSets muy

grandes.

Los Dendrograma son una

herramienta usados como método
para averiguar la cantidad adecuada Corte de división de
clusters
Linea mas
larga que no
interfiere con
de ‘Clusters’ (grupos) que debe tener una linea
horizontal

nuestro modelo.

Sé ‘jerarquizan’ todas las relaciones

}
posibles y de manera visual se
determine el corte que dará como
resultado la cantidad de ‘clusters’.

El corte se recomienda efectuarlo a la

linea mas larga que no interfiere con
ninguna linea horizontal.
Association Rules Models
Modelo/Método matemático usado para identificar ‘Reglas de
Asociación’ en un conjunto de datos que ayuden a mostrar la
‘probabilidad’ y/o ‘relación’ entre los datos.


Apriori Algorithm
Encuentra ‘asociaciones en amplitud’
entre los datos del DataSet he identifica
ítems frecuentes relacionados por
reglas con un soporte (% de repetirse
una regla encontrada) y confianza (%
predictivo de cumplirse una regla
escogida) determinada.

Problemas con DataSets pequeños

por encontrar asociaciones falsas.

Eclat Algorithm
Encuentra ‘asociaciones en profundidad’
entre los datos del DataSet con un
soporte determinado.

Mejor ante ‘Apriori Algorithm’ en

velocidad y en identificar datos frecuentes.

Problemas don DataSet muy grandes.

Semiología y Conceptos
Conceptos generales sobre AI y Data Science

Artificial Intelligence
- Simular por procesos de inteligencia humana por medio de algoritmos.

Machine Learning
- Sub disciplina de la AI orientada a crear sistemas que aprendan
automáticamente.

Deep Learning
- Sub disciplina del Machine Learning orientado a emular el modo de
aprendizaje de los seres humanos.

- El aprendizaje profundo puede considerarse como una forma de

automatizar el aprendizaje predictivo.

Data Science
- Disciplina científica que analiza y manipula grandes cantidades de datos
para comprender relaciones, descubrir patrones, extraer información y
apoyar la toma de decisiones.

Escalar variables
- Normalización de un conjunto de datos numéricos confinándolos en un
rango [0, 1], con el objetivo de que todas las características de los datos
compartan un mismo valor medio y una misma desviación media.