1. Algoritmos de
regresion
Regresion
lineal multiple
Ecuacion
y=a1X1+a2X2+anXn+b
Se manejan multiples
variables
independientes
tambien se manejan
multiples coeficientes
lo que hace a este tipo
de regresion mas
compleja debido a las
tantas variables
añadidas.
Matriz de correlacion
Para todas las variables
independientes se
incluye la variable
dependiente
Este valor nos da una
idea de que variable es
significativa
A partir de la matriz se
seleccionan en orden
decreciente de valor de
correlacion las variables
independientes y se
ejecuta el modelo
MINIMIZANDO EL
ERROR.
Suprecion de error
No se incluyen todas las
variables
independientes a la
vez,lo cual minimiza la
funcion de error.
Objetivo
Se enfoca en seleccionar
las mejores variables
independientes que
puedan contribuir a la
variable dependiente.
Regresion
lineal
Nos permite resumir
relaciones entre 2
variables continuas
cuantitativas.
Objetivo
Con regresion lineal se
busca minimizar la
distancia vertical entre
todos los datos esto
visto desde un plano
cartesiano,buscando a
linear los datos mas
cercanos entre si.
Naturaleza
Parametrica,poruqe
hace ciertas
suposiciones basadas en
el conjunto de datos
dado.
Suprecion de error
Por medio de los
minimos cuadrados
intenta reducir la
sumas de los errores al
cuadrado buscando el
mejor valor de los
coeficientes de
regresion.
Computacionalmente
veloz
Tecnica
Para predecir variables
continuas dependientes
usa la tecnica
parametrica dado un
conjunto de variables
independientes.
Ecuacion
y=ax+b