Please enable JavaScript.
Coggle requires JavaScript to display documents.
3.4 Análisis supervisado. 3.5 Regresión Lineal Simple. - Coggle…
3.4 Análisis supervisado.
3.5 Regresión Lineal Simple.
El análisis supervisado se refiere a técnicas de aprendizaje automático donde se entrena un modelo utilizando datos etiquetados. El objetivo es predecir la etiqueta de nuevos datos no vistos. Hay dos tipos principales de análisis supervisado: clasificación y regresión.
onceptos Clave en Análisis Supervisado
Entrenamiento y Prueba: Dividir los datos en un conjunto de entrenamiento y un conjunto de prueba.
Etiquetas: La variable objetivo que el modelo intenta predecir.
Características: Las variables independientes utilizadas para hacer la predicción.
Tipos de Análisis Supervisado
Clasificación: Predecir etiquetas categóricas.
Regresión: Predecir etiquetas continuas.
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, mean_squared_error
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.linear_model import LinearRegression
Datos de ejemplo
data = {
'Horas_Estudio': [5, 10, 15, 10, 7, 12, 8, 5, 10, 12],
'Asistencia': [1, 1, 1, 1, 1, 1, 0, 0, 0, 0],
'Aprobado': [1, 1, 1, 1, 0, 1, 0, 0, 1, 1]
}
df = pd.DataFrame(data)
Dividir en características y etiquetas
X = df[['Horas_Estudio', 'Asistencia']]
y = df['Aprobado']
Dividir en conjunto de entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
Crear y entrenar el modelo
model = LogisticRegression()
model.fit(X_train, y_train)
Hacer predicciones
y_pred = model.predict(X_test)
Evaluar el modelo
accuracy = accuracy_score(y_test, y_pred)
print(f"Precisión: {accuracy}")
La regresión lineal simple es una técnica de análisis supervisado donde se modela la relación entre una variable dependiente y una variable independiente usando una línea recta.
Conceptos Clave en Regresión Lineal Simple
Variable Independiente (X): La variable predictora.
Variable Dependiente (Y): La variable objetivo que se quiere predecir.
Pendiente e Intercepto: Coeficientes que definen la línea de mejor ajuste.