Cerrando la regresión lineal
Aprendizaje supervisado en R: Regresión
Nina Zumel and John Mount
Win-Vector, LLC
Pros y contras de la regresión lineal
- Pros
- Fácil de ajustar y aplicar
- Concisa
- Menos propensa al overfitting
Pros y contras de la regresión lineal
- Pros
- Fácil de ajustar y aplicar
- Concisa
- Menos propensa al overfitting
- Interpretables
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Pros y contras de la regresión lineal
- Pros
- Fácil de ajustar y aplicar
- Concisa
- Menos propensa al overfitting
- Interpretables
- Contras
- Solo expresan relaciones lineales y aditivas
Colinealidad
- Colinealidad: cuando las variables de entrada están parcialmente correlacionadas.
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Colinealidad
- Colinealidad: cuando las variables están parcialmente correlacionadas.
- Los coeficientes pueden cambiar de signo
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
Colinealidad
- Colinealidad: cuando las variables están parcialmente correlacionadas.
- Los coeficientes pueden cambiar de signo
- Alta colinealidad:
- Coeficientes (o errores estándar) excesivos
- El modelo puede ser inestable
Call:
lm(formula = blood_pressure ~ age + weight, data = bloodpressure)
Coefficients:
(Intercept) age weight
30.9941 0.8614 0.3349
A continuación
- Evaluar un modelo de regresión
- Entrenar bien un modelo
¡Vamos a practicar!
Aprendizaje supervisado en R: Regresión
