Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 124 vistas

    Regresion Lineal y Logica

    Cargado por

    Leo
    El modelo de regresión lineal permite predecir el valor de una variable aleatoria en función de otro valor. Antes de usar este método, se debe realizar un análisis de regresión para determinar la intensidad de la relación lineal entre las variables. La regresión lineal es adecuada para patrones de demanda con tendencia creciente o decreciente. La regresión logística se usa para predecir la probabilidad de que ocurra un evento en función de variables influyentes.

    Copyright:

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

    Regresion Lineal y Logica

    Cargado por

    Leo
    124 vistas6 páginas
    El modelo de regresión lineal permite predecir el valor de una variable aleatoria en función de otro valor. Antes de usar este método, se debe realizar un análisis de regresión para determinar la intensidad de la relación lineal entre las variables. La regresión lineal es adecuada para patrones de demanda con tendencia creciente o decreciente. La regresión logística se usa para predecir la probabilidad de que ocurra un evento en función de variables influyentes.

    Descripción original:

    Regresion Lineal y Logica con ejemplos

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El modelo de regresión lineal permite predecir el valor de una variable aleatoria en función de otro valor. Antes de usar este método, se debe realizar un análisis de regresión para determinar la intensidad de la relación lineal entre las variables. La regresión lineal es adecuada para patrones de demanda con tendencia creciente o decreciente. La regresión logística se usa para predecir la probabilidad de que ocurra un evento en función de variables influyentes.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    124 vistas6 páginas

    Regresion Lineal y Logica

    Cargado por

    Leo
    El modelo de regresión lineal permite predecir el valor de una variable aleatoria en función de otro valor. Antes de usar este método, se debe realizar un análisis de regresión para determinar la intensidad de la relación lineal entre las variables. La regresión lineal es adecuada para patrones de demanda con tendencia creciente o decreciente. La regresión logística se usa para predecir la probabilidad de que ocurra un evento en función de variables influyentes.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    Está en la página 1de 6

    Regresión lineal

    El modelo de pronóstico de regresión lineal permite hallar el valor esperado de una


    variable aleatoria a cuando b toma un valor específico. La aplicación de este
    método implica un supuesto de linealidad cuando la demanda presenta un
    comportamiento creciente o decreciente, por tal razón, se hace indispensable que
    previo a la selección de este método exista un análisis de regresión que determine
    la intensidad de las relaciones entre las variables que componen el modelo.

    ¿Cuándo utilizar un pronóstico de regresión lineal?

    El pronóstico de regresión lineal simple es un modelo óptimo para patrones de


    demanda con tendencia (creciente o decreciente), es decir, patrones que
    presenten una relación de linealidad entre la demanda y el tiempo.

    Existen medidas de la intensidad de la relación que presentan las variables que


    son fundamentales para determinar en qué momento es conveniente utilizar
    regresión lineal.
    Ejemplo

    Para empezar, importamos las librerías necesarias y cargamos los datos que
    vamos a analizar los cuales son altura y peso.

    Realizamos las operaciones necesarias

    Con la librería matplot graficamos los resultados


    La grafica que obtenemos es la siguiente donde los puntos azules son los datos
    que analizamos y la recta es la predicción que hemos hecho

    Realizamos las operaciones necesarias y determinamos la precisión del algoritmo


    Regresión Lógica
    La regresión logística (RL) es uno de los instrumentos estadísticos más expresivos
    y versátiles de que se dispone para el análisis de datos en clínica y epidemiología.
    Su origen se remonta a la década de los sesenta; su uso se universaliza y
    expande desde principios de los ochenta debido, especialmente, a las facilidades
    informáticas con que se cuenta desde entonces. En los últimos años se ha
    verificado una presencia muy marcada de esta técnica, tanto en la literatura orien-
    tada a tratar temas metodológicos como en los artículos científicos biomédicos.
    Fiel reflejo de esta tendencia, es que el empleo de la RL suponía el 32% de los
    artículos publicados por American Journal of Epidemiology de 1986 a 1990 y el
    68% de los que aparecieron en el mencionado quinquenio en New England
    Journal of Medicine, con lo cual quedó ubicada en el quinto puesto, solo superada
    por cuatro técnicas convencionales: t de Student, prueba Chi-cuadrado, análisis de
    la varianza y prueba de Fisher.
    Mediante la RL se pretende es la probabilidad de que ocurra el hecho en cuestión
    como función de ciertas variables que se presumen relevantes o influyentes. Por lo
    tanto, la RL consiste en obtener una función logística de las variables
    independientes que permita clasificar a los individuos en una de las dos
    subpoblaciones o grupos establecidos por los dos valores de la variable
    dependiente.
    Ejemplo
    Se importan librerías y se trae una base de datos

    De la base de datos seleccionamos las columnas que vamos a utilizar

    Importamos el método train test y split

    Tratamos los datos para trabajar de mejor manera

    Formamos el algoritmo
    Hacemos una predicción y comparamos los datos obtenidos con la predicción con
    los de la base de datos

    Para calcular la precisión del algoritmo utilizando el método precisión_score de la


    librería sklearn

    También podría gustarte