En este blog, entrenaremos un Modelo de Regresión Lineal y esperaremos que funcione correctamente sobre una entrada fresca.
La idea básica de cualquier modelo de aprendizaje automático es que se expone a un gran número de entradas y también se le suministra la salida aplicable para ellas. Al analizar más y más datos, intenta averiguar la relación entre la entrada y el resultado.
Considera un ejemplo muy primitivo cuando tienes que decidir si llevar una chaqueta o no dependiendo del tiempo. Tienes acceso a los datos de entrenamiento, como los llamamos –
+---------------------+---------------+
| Outside Temperature | Wear a Jacket |
+---------------------+---------------+
| 30°C | No |
| 25°C | No |
| 20°C | No |
| 15°C | Yes |
| 10°C | Yes |
+---------------------+---------------+
De alguna manera, tu mente encuentra una conexión entre la entrada (temperatura) y la salida (decisión de llevar una chaqueta).
Así que, si la temperatura es de 12°C, seguirías llevando una chaqueta aunque nunca te hayan dicho el resultado para esa temperatura en particular.
Ahora, pasemos a un problema algebraico un poco mejor que el ordenador resolverá por nosotros.
Antes de empezar, no olvides instalar scikit-learn, proporciona funciones fáciles de usar y modelos predefinidos que ahorran mucho tiempo
pip install scikit-learn
Aquí, X es la entrada e y es la salida.
Dado el conjunto de entrenamiento podrías adivinar fácilmente que la salida (y) no es otra cosa que (x1 + 2*x2 + 3*x3).
Cómo generar el conjunto de entrenamiento
El modelo ML -Regresión lineal
Trabajar con el modelo de regresión lineal es sencillo. Crear un modelo, entrenarlo y luego utilizarlo 🙂
.
Entrenar el modelo
Tenemos el conjunto de entrenamiento listo, así que crea un Modelo de Regresión Lineal y pásale los datos de entrenamiento.