Menu
CoddyTech
EMPEZAR A APRENDER
flag Es iconEspañoldown icon

Predecir con una línea

Parte de la sección Estadística para ML del Journey de Machine Learning de Coddy. Lección 38 de 64.

Una recta ajustada es una pequeña máquina de predicción: introduce un nuevo valor de x y obtén un valor de y. Se pesó a un cachorro desde la semana 8 hasta la semana 20:

weeks = np.array([8, 10, 12, 14, 16, 18, 20])
kg = np.array([3.1, 4.0, 5.2, 6.1, 7.0, 8.2, 9.1])
slope, intercept = np.polyfit(weeks, kg, 1)
new_weeks = np.array([15, 52])
print(np.round(slope * new_weeks + intercept, 1))

Esto imprime [ 6.6 25.2]. La semana 15 está dentro de los datos. La semana 52 no lo está, y la línea sigue subiendo mucho después de que el perro deja de crecer:

Siete pesajes desde la semana 8 hasta la 20 en una línea ajustada. La línea continúa con trazos en una zona sombreada marcada como fuera de los datos, y alcanza los 25.2 kg en la semana 52, mientras que la curva punteada de un perro real se nivela cerca de los 13 kg

Predecir fuera del rango de los datos es extrapolación y es arriesgado: solo se puede confiar en un modelo para entradas como aquellas de las que aprendió. Comprueba primero:

week = 52
print(week >= weeks.min() and week <= weeks.max())

Esto imprime False.

challenge icon

Desafío

Intermedio

Se midió una vela cada hora mientras se consumía, desde la hora 0 hasta la hora 6: hours y height en cm. El programa lee new_hours.

  1. Ajusta la recta que predice height a partir de hours.
  2. Imprime su predicción para new_hours, redondeada a 2 decimales.
  3. Imprime si new_hours está dentro del intervalo de horas de los datos, incluidos ambos extremos.

Para la entrada 4.5:

Predicted height: 13.07 cm
Inside the data: yes

Pruébalo tú mismo

import numpy as np

hours = np.array([0, 1, 2, 3, 4, 5, 6])
height = np.array([20.0, 18.4, 17.1, 15.3, 13.9, 12.2, 10.8])
new_hours = float(input())

# Escribe tu código a continuación
quiz iconPonte a prueba

Esta lección incluye un breve cuestionario. Empieza la lección para responderlo y registrar tu progreso.

Todas las lecciones de Estadística para ML

1Centro y dispersión

Media y medianaPercentiles y cuartilesVarianza y desviación estándar¿Muestra o población?El valor más frecuenteRepaso: tiempos de entrega

4Muestras y poblaciones

Población y muestraLas medias muestrales varíanLa distribución muestralMuestras más grandes, menos ruidoRepaso: Encuestar a un pueblo

7Líneas de tendencia

ResiduosAjuste por mínimos cuadradosTrazar el ajustePredecir con una línea¿Qué tan bueno es el ajuste?Repaso: horas de práctica

10Codificación de categorías

Categorías como númerosCodificación one-hotAgrupación de números en intervalosRepaso: anuncios de autos

2Distribuciones

Histogramas de densidadFormas de los datosCurva normalRegla del 68-95-99,7Puntuaciones zRepaso: duración de la batería

5Valores atípicos

Diagramas de cajaLa regla del RICLa regla del valor ZTratamiento de valores atípicosRepaso: fallos de los sensores

8Comparación de grupos

Diagramas de caja por grupoDiferencia de medias¿Podría ser azar?Valores pLa prueba tRepaso: prueba A/B

11Exploración de un conjunto de datos

Una primera miradaTodas las características a la vezCaracterísticas frente a la etiquetaLas dos mejores característicasRepaso: datos sobre la diabetes

3Probabilidad mediante simulación

La probabilidad como frecuenciaLa ley de los grandes númerosSuma de dadosValor esperadoProbabilidad condicionalRepaso: probabilidades del puesto de dados

6Relaciones

Lectura de diagramas de dispersiónCorrelaciónMatriz de correlaciónMapas de calor de correlaciónCorrelación no es causalidadRepaso: helado y sol

9Escalado de características

Por qué escalar las característicasEscalado mín-máxEstandarizaciónStandardScalerRepaso: compañeros de escalada

12Desafíos finales

Retrasos de trenesCalidad del aireQuímica del vinoEncuesta clínica

Practica por tu cuenta: Compilador de Python online