Los investigadores médicos a menudo usan regresión lineal para comprender la relación entre la dosis de drogas y la presión arterial de los pacientes.
Por ejemplo, los investigadores pueden administrar varias dosis de cierto medicamento a los pacientes y observar cómo responde su presión arterial. Podrían adaptarse a un modelo de regresión lineal simple utilizando la dosis como la variable predictor y la presión arterial como variable de respuesta. El modelo de regresión tomaría la siguiente forma:
El coeficiente β0 representaría la presión arterial esperada cuando la dosis es cero.
El coeficiente β1 representaría el cambio promedio en la presión arterial cuando una unidad aumenta la dosis.
Si β1 es negativo, significaría que un aumento en la dosis se asocia con una disminución de la presión arterial.
Si β1 está cerca de cero, significaría que un aumento en la dosis se asocia sin ningún cambio en la presión arterial.
Si β1 es positivo, significaría que un aumento en la dosis se asocia con un aumento de la presión arterial.
Dependiendo del valor de β1, los investigadores pueden decidir cambiar la dosis dada a un paciente.
Los científicos agrícolas a menudo usan la regresión lineal para medir el efecto del fertilizante y el agua en los rendimientos de los cultivos.
Por ejemplo, los científicos pueden usar diferentes cantidades de fertilizantes y agua en diferentes campos y ver cómo afecta el rendimiento del cultivo. Podrían adaptarse a un modelo de regresión lineal múltiple usando fertilizante y agua como variables predictoras y rendimiento del cultivo como variable de respuesta. El modelo de regresión tomaría la siguiente forma:
rendimiento del cultivo = β0 + β1 (cantidad de fertilizante) + β2 (cantidad de agua)
¿Cómo se aplica la regresión?
El campo de la inteligencia artificial y el aprendizaje automático está listo para conquistar la mayoría de las disciplinas humanas; del arte y la literatura al comercio y la sociología; Desde biología computacional y análisis de decisión hasta juegos y rompecabezas «. ~ Anand Krish
El análisis de regresión es una forma de encontrar tendencias en los datos.
Por ejemplo, podría adivinar que hay una conexión entre cuánto come y cuánto pesa; El análisis de regresión puede ayudarlo a cuantificar esa ecuación.
El análisis de regresión le proporcionará una ecuación para un gráfico para que pueda hacer predicciones sobre sus datos.
Por ejemplo, si ha aumentado de peso en los últimos años, puede predecir cuánto pesará en diez años si continúa aumentando de peso al mismo ritmo.
También le dará una serie de estadísticas (incluido un valor P y un coeficiente de correlación) para decirle cuán preciso es su modelo.
El análisis de regresión es una técnica estadística para analizar y comprender la conexión entre dos o más variables de interés. La metodología utilizada para hacer análisis de regresión ayuda a comprender qué elementos son significativos, cuáles pueden ignorarse y cómo interactúan entre sí.
La regresión es un enfoque estadístico utilizado en finanzas, inversión y otros campos para identificar la fuerza y el tipo de conexión entre una variable dependiente (típicamente representada por y) y una secuencia de otras variables (conocidas como variables independientes).
¿Qué es la regresión y cómo se hace?
En el aprendizaje automático, distinguimos los problemas de regresión de los problemas de clasificación. Por lo tanto, consideramos que los problemas de predecir una variable cuantitativa son problemas de regresión, mientras que los problemas de predecir una variable cualitativa son problemas de clasificación. Ciertos métodos, como la regresión logística, son métodos de regresión en el sentido de que se trata de predecir la probabilidad de pertenecer a cada una de las clases y métodos de clasificación [1].
El término proviene de la regresión hacia el promedio observado por Francis Galton en el siglo XIX: niños de personas grandes eran en sí mismos un tamaño mayor que el de la población en promedio, pero más bajo que el de sus padres (siempre en promedio), sin el La dispersión de tamaño dentro de la población total se reduce [2], [3]. Las técnicas desarrolladas para cuantificar este fenómeno han causado preciosas herramientas de medición en todos los campos de aplicación de estadísticas.
Consideramos una población de individuos (seres humanos, animales, países, bienes de consumo, etc.) que puede describirse de acuerdo con varios criterios llamados variables. Estos pueden ser cuantitativos (cantidades digitales como tamaño, edad, precio, porcentaje, etc.) o cualitativo (sexo, categoría socioprofesional, temporada, tipo de producto de producto, etc.)
Algunas variables pueden ser más difíciles de medir que otras, por razones técnicas, razones de acceso (datos públicos contra datos privados), o debido a un período significativo entre la implementación de una experiencia y su culminación. Por lo tanto, sucede que queremos estimar estas variables (dicho explicado) de datos más fáciles de obtener (se dice que es explicativo). A veces también encontramos las denominaciones variables dependientes e independientes, pero tienen riesgos de confusión con el concepto de independencia en las probabilidades, pero las variables explicativas no son necesariamente mutuamente independientes [4].
La construcción de la regresión se basa en un lado en un modelado de variables estadísticas por variables aleatorias (reales o no), por otro lado en una colección de datos cruzados, es decir que para la misma muestra de población, hay Observaciones de las diferentes variables medidas con posible imprecisión.
¿Dónde se aplica la regresion no lineal?
Al hacer cambios en el código, un desarrollador puede afectar el trabajo adecuado del software. Incluso un pequeño ajuste puede causar consecuencias inesperadas o provocar nuevos errores. Para detectar problemas recién aparecidos, los evaluadores realizan pruebas de regresión.
Las pruebas de regresión son la reexecución de las pruebas para asegurarse de que las modificaciones del código no afecten la funcionalidad existente. Pero a veces sucede que no hay suficiente tiempo o recursos para ejecutar pruebas de regresión. En este caso, un equipo de prueba puede verificar solo aquellos módulos del sistema donde se han realizado las modificaciones. Omiten una prueba de regresión completa. Estas son pruebas de no regresión.
Las pruebas de no regresión son una técnica destinada a verificar si una funcionalidad nueva o modificada funciona correctamente con la suposición de que la funcionalidad anterior no se vio afectada. Al aplicar pruebas de no regresión, los probadores verifican solo la unidad o módulo en evolución en lugar de todo el producto, por lo tanto, ahorre recursos y tiempo.
- Definir un punto de referencia de software
- Detectar rutinas para simular la funcionalidad del software
- Ejecutar rutinas en Benchmark y una nueva versión de lanzamiento del software
- Procesar los resultados obtenidos
Las pruebas de no regresión se pueden incluir en la verificación de regresión. Aquí hay una explicación de cómo funciona. Imaginemos que hay una funcionalidad A que ya se ha probado y una nueva funcionalidad B acaba de agregar al producto. Entonces, por ahora, la funcionalidad del programa es A+B. Las pruebas de no regresión cubrirán solo la funcionalidad B. Pero se implementará una nueva funcionalidad posterior, C,. Ahora, si queremos realizar pruebas de regresión, consistirá en las pruebas para la funcionalidad A y B. En este caso, las pruebas de no regresión se convierten en parte de las pruebas de regresión.
¿Cuándo se utiliza la regresion no lineal?
Todos los modelos que hemos discutido hasta ahora han sido lineales en los parámetros (es decir, lineales en los beta). Por ejemplo, la regresión polinomial se utilizó para modelar la curvatura en nuestros datos mediante el uso de valores ordenados de los predictores. Sin embargo, el modelo de regresión final fue solo una combinación lineal de predictores de orden superior.
Ahora estamos interesados en estudiar el modelo de regresión no lineal:
( begin {ecuación*}
Y = f ( textbf {x}, beta)+ epsilon,
end {ecuación*} )
donde x es un vector de predictores p, ( beta ) es un vector de k parámetros, (f ( cdot) ) es una función de regresión conocida, y ( epsilon ) es un término de error cuya distribución puede o no ser normal. Observe que ya no necesariamente tenemos la dimensión del vector de parámetros simplemente uno mayor que el número de predictores. Algunos ejemplos de modelos de regresión no lineal son:
que es lineal en los parámetros transformados ( theta_ {0} ) y ( theta_ {1} ). En tales casos, transformar un modelo en su forma lineal a menudo proporciona mejores procedimientos de inferencia e intervalos de confianza, pero uno debe ser consciente de los efectos que la transformación tiene en la distribución de los errores.
Volver a los casos en los que no es posible transformar el modelo en una forma lineal, considere la configuración
donde el ( epsilon_ {i} ) es normal con media 0 y varianza constante ( sigma^{2} ). Para este entorno, podemos confiar en la teoría de mínimos cuadrados que hemos desarrollado en el curso. Para otros términos de error no normales, se deben emplear diferentes técnicas.
Artículos Relacionados:
- Análisis de regresión lineal: cómo optimizar tu estrategia de marketing
- Ecuación de regresión lineal: cómo optimizar su modelo de datos
- Ecuación de regresión lineal simple: 5 ejemplos prácticos
- Metodo de regresion lineal: encontrar la mejor linea de ajuste
- Estimación de la línea de regresión: cómo determinar el mejor ajuste para su conjunto de datos
- Aplicaciones de la regresión lineal en la administración de empresas
- Aportes de la regresión lineal a la investigación aplicada
