IA modelos de machine learning supervisado

Modelos supervisados

2. Diplomado de soluciones digitales
avanzadas en la nube
Intermedio 1.
Módulo: Machine Learningcon Python
Profesor Jaime A. Riascos Salas
2021

3. Jaime A. Riascos Salas
Mg. Ciencias Computacionales
UFRGS –Brasil
Ing. Mecatrónico
ITM –Colombia
Data Scientist @ MINTIC (CO) & UpSensor(BR)
Lead Researcher@ IUE (CO)

4. Contenidodelcurso
•MachineLearning-Introducción
•EntendimientodelosdatosparasuusoenMachineLearning
•PrepararlosdatosparaalgoritmosdeMachineLearning
•Seleccióndelmodeloyentrenamiento
•Perfeccionarelmodelo,analizarlosmodelosysuserrores

5. Contenido
•Aprendizaje Supervisado –Regresión Lineal
•Forecasting
•Hands-on
Selección del modelo y
entrenamiento

6. Aprendizaje supervisado
Setratadeentrenarunmodelocondatoscategorizados
(etiquetados)paraqueestepuedasercapazdespuésdeasignarlas
clases/valorescorrespondientesadatosnuncaantesvistos.

7. Unmodeloderegresiónesunmodeloquepermitedescribircómoinfluye
una variable X sobre otra variable Y.
•X: Variable independienteo explicativa o exógena
•Y: Variable dependienteo respuesta o endógena
El objetivo es obtener estimaciones razonables de Y para distintos valores
deXapartirdeunamuestradenparesdevalores(x1,y1),...,(xn,yn).
Aprendizaje supervisado -
Regresión

8. Tiposderelación
Determinista:ConocidoelvalordeX,elvalordeYquedaperfectamente
establecido.Sondeltipo:
Ejemplo:Larelaciónexistenteentrelatemperaturaengradoscentígrados(X)
ygradosFahrenheit(Y)es
Aprendizaje supervisado -
Regresión

9. Tiposderelación
Nodeterminista:ConocidoelvalordeX,elvalordeYnoqueda
perfectamenteestablecido.Sondeltipo:
dondeuesunaperturbacióndesconocida(variablealeatoria).Ejemplo:Se
tieneunamuestradelvolumendeproducción(X)yelcostototal(Y)asociado
aunproductoenungrupodeempresas.
Existerelaciónperonoesexacta.
Aprendizaje supervisado -
Regresión

10. Tiposderelación
Lineal:Cuandolafunciónf(x)eslineal
Aprendizaje supervisado -
Regresión

11. Tiposderelación
NoLineal:Cuandolafunciónf(x)noeslineal
Aprendizaje supervisado -
Regresión

12. Tiposderelación
Norelacional:Cuandof(x)=0.
Aprendizaje supervisado -
Regresión

13. Tiposderelación
Norelacional:Cuandof(x)=0.
Aprendizaje supervisado -
Regresión

14. Aprendizaje supervisado -
Regresión lineal simple

15. Aprendizaje supervisado -
Regresión lineal simple

16. Aprendizaje supervisado -
Regresión lineal simple

17. Aprendizaje supervisado -
Regresión lineal simple

18. Aprendizaje supervisado -
Regresión lineal simple

19. Aprendizaje supervisado -
Regresión lineal simple

20. Aprendizaje supervisado -
Regresión lineal simple

21. Aprendizaje supervisado –RLS -
Mínimos cuadrados

22. Aprendizaje supervisado –RLS -
Mínimos cuadrados

23. Aprendizaje supervisado –
Regresión lineal múltiple

24. Aprendizaje supervisado –
Regresión lineal múltiple
EJEMPLO:
¿Conquévariablessepodríapredecirlaestaturadeuna
persona?
¿Conquévariablessepodríapredecireltiempodellenado
deunapiscina?
¿Conquévariablessepodríapredecireltiempode
construccióndeunedificio?

25. Aprendizaje supervisado –
Regresión lineal múltiple
Lasventasregionalesydelproductodeunacompañía
podríanestarrelacionadascontresfactores:
x
1:lacantidadgastadaenpublicidadentelevisión.
x
2:lacantidadgastadaenpublicidadenperiódicos.
x
3:elnúmerodevendedoresasignadosalaregión.

26. Aprendizaje supervisado –
Regresión lineal múltiple

27. Aprendizaje supervisado –
Regresión lineal múltiple
Enlaregresiónlinealmúltipleaparecenvarias
preguntas,muysimilaresalcasoderegresiónlineal
simple:
¿Quétanbienseajustaelmodelo?
¿Quétanfuerteeslarelaciónentreyylasvariables
predictoras?
¿Sehanvioladosuposicionesimportantes?
¿Quétanbuenassonlasestimacionesypredicciones?

28. Aprendizaje supervisado –
Regresión –Handson
https://colab.research.google.com/drive/1rIwPPd7k8lq
f9aYFf3n2_F8LOyIdI2Wz?usp=sharing
shorturl.at/btvBV

29. Aprendizaje supervisado –
Forecasting–Series de tiempo
Obtenido al observarla variable de respuestaenun tiemporegular
Periodos
• Conjunto de datosnuméricosespaciadosuniformemente
• Pronósticobasadosolo envalorespasados
• Asumeque los factoresque influyenenelpasadoy elpresentecontinuarán
influenciaenelfuturo

30. Aprendizaje supervisado –
Forecasting–Series de tiempo

31. Aprendizaje supervisado –
Forecasting–Series de tiempo
El pronosticador busca patrones de datos como
Datos = patrón histórico + variación aleatoria
Patrón histórico a pronosticar:
•Nivel (promedio a largo plazo): los datos fluctúan alrededor de una media
constante
•Tendencia: los datos muestran un patrón creciente o decreciente
•Estacionalidad: cualquier patrón que se repite regularmente y tiene una duración
constante.
•Ciclo: patrones creados por fluctuaciones económicas
No se puede predecir la variación aleatoria

32. Aprendizaje supervisado –
Forecasting–Series de tiempo

33. Aprendizaje supervisado –
Forecasting

34. Aprendizaje supervisado –
Forecasting

35. Aprendizaje supervisado –
Forecasting
Naive
•El pronóstico es igual al valor real observado durante el último período -bueno
para patrones de nivel
Media simple
•El promedio de todos los datos disponibles: bueno para patrones de nivel
Media móvil
•El valor promedio durante un período de tiempo establecido (por ejemplo: las
últimas cuatro semanas)
•Cada nuevo pronóstico elimina el punto de datos más antiguo y agrega una nueva
observación
•Más receptivo a una tendencia, pero aún está por detrás de los datos realesn/AF
t1t=
+ n/AF
t1t=
+ tA=
+1t
F

36. Aprendizaje supervisado –
Forecasting
Media móvil ponderada:
•Todos los pesos deben sumar 100% o 1,00
p.ej. Ct.5, Ct-1 .3, Ct-2 .2 (los pesos se suman a 1.0)
•Permite enfatizar un período sobre otros; arriba indica más peso en los datos
recientes (Ct= .5)
•Se diferencia del promedio móvil simple que pesa todos los períodos por igual: más
sensible a las tendencias=
+ tt1t ACF

37. Aprendizaje supervisado –
Forecasting
Suavizado exponencial:
El método de series de tiempo más utilizado debido a la facilidad de uso y la cantidad
mínima de datos necesarios. Solo se necesitan tres datos para comenzar:
•Previsión del último período (pies)
•Valor real de los últimos períodos (At)
•Seleccione el valor del coeficiente de suavizado, entre 0 y 1,0
Si no hay un pronóstico del último período disponible, promedie los últimos períodos
o utilice un método naive.
Los valores más altos (por ejemplo, .7 o .8) pueden asignar demasiado peso a la
variación aleatoria del último período.()
tt1t
Fα1αAF −+=
+

38. Aprendizaje supervisado –
Forecasting
Métodos basados en modelos de regresión.
•Autoregression(AR)
•Autoregressive MovingAverage(ARMA)
•Autoregressive IntegratedMovingAverage(ARIMA)
•SeasonalAutoregressive IntegratedMoving-Average(SARIMA)
•SeasonalAutoregressive IntegratedMoving-AveragewithExogenousRegressors
(SARIMAX)
•Vector Autoregression(VAR)
•Vector AutoregressionMoving-Average(VARMA)
•Vector AutoregressionMoving-AveragewithExogenousRegressors(VARMAX)
•Holt Winter’sExponentialSmoothing(HWES)

39. Aprendizaje supervisado –
Forecasting
Hands–on
https://colab.research.google.com/drive/1b5yATFLppschsqOgOo1PTV_2oweAk91j?us
p=sharing
shorturl.at/bmH56