Construir y consumir un modelo de Regresión Lineal con ML.NET y Angular

Construir y consumir un
modelo de Regresión Lineal
con ML.NET y Angular
Ing. Cristopher Coronado

Sobre mí
• Ingeniero en Sistemas Computacionales (abril 2019)
• Desarrollador de Software Full Stack Semi Senior en
WebCreek (enero 2020)
• Estudiante del 1er semestre de la maestría en Inteligencia
Artificial en la Universidad Internacional de La Rioja
• Beta Microsoft Learn Student Ambassador
cristofima
cristofima2016
cristopher.coronado.7
cristopher-coronado

Agenda
1. Introducción a Regresión Lineal
2. Introducción a ML.NET Model Builder
3. Demo

Introducción a Regresión Lineal

Regresión Lineal
La regresión lineal es una técnica de modelado estadístico que se emplea para describir
una variable de respuesta continua como una función de una o varias variables predictoras.
Las técnicas de regresión lineal permiten crear un modelo lineal. Este modelo describe la
relación entre una variable dependiente 𝑦 (también conocida como la respuesta) como una
función de una o varias variables independientes 𝑋𝑖 (denominadas predictores). La ecuación
general correspondiente a un modelo de regresión lineal es:
donde 𝛽 representa las estimaciones de parámetros lineales que se deben calcular
y 𝜖 representa los términos de error.
𝑌 = 𝛽0 + 𝛽𝑖𝑋𝑖 + 𝜀𝑖

Regresión Lineal Simple: Modelos que utilizan un único predictor. La ecuación general es:
Ejemplo de regresión lineal simple que
muestra cómo predecir el número de
accidentes de tráfico mortales en un estado
(variable de respuesta, 𝑌) en comparación con
la población del estado (variable
predictora, 𝑋).
𝑌 = 𝛽0 + 𝛽𝑖𝑋 + 𝜀𝑖

Regresión Lineal Múltiple: Modelos que utilizan múltiples predictores. Esta regresión tiene múltiples
𝑋𝑖, para predecir la respuesta, 𝑌. Este es un ejemplo de la ecuación:
𝑌 = 𝛽0 + 𝛽1𝑋1 + 𝛽2𝑋2 + 𝜀
Ejemplo de regresión lineal múltiple, que
predice las millas por galón (MPG) de
diferentes coches (variable de respuesta, 𝑌) en
función del peso y la potencia (variables
predictivas, 𝑋𝑗).

𝑌1 = 𝛽01 + 𝛽11𝑋1 + 𝜀1
Regresión Lineal Multivariante: Modelos para varias variables de respuesta. Esta regresión tiene
múltiples 𝑌𝑖 que derivan de los mismos datos 𝑌. Se expresan con fórmulas diferentes. Este es un
ejemplo del sistema con 2 ecuaciones:
𝑌2 = 𝛽02 + 𝛽12𝑋1 + 𝜀2
Ejemplo de regresión lineal
multivariante que muestra cómo
predecir las estimaciones de gripe en 9
regiones de EE. UU. (variables de
respuesta, 𝑌𝑖), basadas en la semana del
año (variable predictora, 𝑋).

Regresión Lineal Múltiple Multivariante: Modelos que utilizan varios predictores para múltiples variables de
respuesta. Esta regresión tiene múltiples 𝑋𝑖 para predecir varias respuestas 𝑌𝑖. Esta es una generalización de
las ecuaciones:
Ejemplo de regresión lineal múltiple multivariante que
calcula las MPG en ciudad y autopista (como variables
de respuesta, 𝑌1 y 𝑌2) a partir de tres variables:
distancia entre ejes, peso en vacío y tipo de
combustible (variables predictoras, 𝑋1, 𝑋2 y 𝑋3).

Introducción a ML.NET Model Builder

ML.NET
Es una biblioteca de Machine Learning de software libre para los lenguajes de
programación C # y F #.

Model Builder
Extensión gráfica intuitiva de Visual Studio para compilar, entrenar e implementar modelos
de Machine Learning personalizados.

Selección del resultado que se va a predecir (etiqueta)

Demo: Predicción de tarifa del viaje en taxi
en la ciudad de Nueva York
https://docs.microsoft.com/en-us/dotnet/machine-learning/tutorials/predict-
prices-with-model-builder
https://docs.microsoft.com/en-us/dotnet/machine-
learning/resources/metrics#evaluation-metrics-for-regression-and-
recommendation

Problema
Este problema se centra en la predicción de la tarifa de un viaje en taxi en la ciudad de Nueva
York. A primera vista, puede parecer que depende simplemente de la distancia recorrida. Sin
embargo, los proveedores de taxis de Nueva York cobran cantidades diferentes por otros
factores, como los pasajeros adicionales, el pago con tarjeta de crédito en lugar de efectivo, etc.
Esta predicción puede utilizarse en la aplicación para que los proveedores de taxis den a los
usuarios y a los conductores una estimación de las tarifas de los viajes.
Para resolver el problema, vamos a recibir los siguientes valores de entrada:
• vendor ID
• rate code
• passenger count
• trip time
• trip distance
• payment type

Construir y consumir un modelo de Regresión Lineal con ML.NET y Angular

Más contenido relacionado

Similar a Construir y consumir un modelo de Regresión Lineal con ML.NET y Angular (20)

Más de Cristopher Coronado Moreira (10)

Último (10)

Construir y consumir un modelo de Regresión Lineal con ML.NET y Angular