La regresión no lineal es un modelo matemático que se ajusta a una ecuación a ciertos datos utilizando una línea generada. Como es el caso con una regresión lineal que utiliza una ecuación de línea recta (como ỵ = C + m x), la regresión no lineal muestra la asociación usando una curva, lo que la hace no lineal en el parámetro.
Un modelo de regresión no lineal simple se expresa de la siguiente manera:
- X es un vector de predictores de P
- β es un vector de parámetros K
- F (-) es la función de regresión conocida
- ϵ es el término de error
Alternativamente, el modelo también se puede escribir de la siguiente manera:
- X es un vector de predictores de P
- β es un vector de parámetros K
- F (-) es la función de regresión conocida
- ϵ es el término de error
Dado que cada parámetro se puede evaluar para determinar si no es lineal o lineal, una función dada Yi puede incluir una combinación de parámetros no lineales y lineales. Se considera la función H en el modelo, ya que no se puede escribir como lineal en los parámetros. En cambio, la función se deduce de la teoría.
El término «no lineal» se refiere a los parámetros en el modelo, a diferencia de las variables independientes. Existen posibilidades ilimitadas para describir la parte determinista del modelo. Dicha flexibilidad proporciona un buen terreno para hacer inferencias estadísticas.
El objetivo del modelo es minimizar la suma de los cuadrados lo menos posible utilizando procedimientos numéricos iterativos. La mejor estimación para los parámetros del modelo es el principio de mínimos cuadrados, que mide cuántas observaciones se desvían de la media del conjunto de datos. También vale la pena señalar que la diferencia entre los modelos de regresión lineal y no lineal radica en calcular los mínimos cuadrados.
¿Cómo saber si un modelo es lineal o no lineal?
En esta publicación, aprenderá las técnicas en relación con saber si el conjunto de datos dado es lineal o no lineal. Según el tipo de problemas de aprendizaje automático (como la clasificación o la regresión) que está tratando de resolver, puede aplicar diferentes técnicas para determinar si el conjunto de datos dado es lineal o no lineal. Para un científico de datos, es muy importante saber si los datos son lineales o no, ya que ayuda a elegir algoritmos apropiados para entrenar un modelo de alto rendimiento. Aprenderá técnicas como las siguientes para determinar si los datos son lineales o no lineales:
- Use la trama de dispersión cuando se trata de problemas de clasificación
- Use gráficos de dispersión y el método de error de mínimo cuadrado aplicado en un método de regresión simple cuando se trata de problemas de regresión.
En el caso del problema de clasificación, la forma más simple de averiguar si los datos son lineales o no lineales (lineal separables o no) es dibujar gráficos de dispersión bidimensionales que representan diferentes clases. Aquí hay una imagen que representa el conjunto de datos separable lineal y no lineal y cómo se puede usar gráficos de dispersión para visualizarlos.
Aquí hay un ejemplo de un conjunto de datos lineales o un conjunto de datos separable lineal. El conjunto de datos utilizado es el conjunto de datos de Iris del paquete Sklearn.Datasets. Los datos representan dos clases diferentes como Setosa y Versicolor. Tenga en cuenta que se pueden separar fácilmente los datos representados utilizando marcas negras y verdes con un hiperplano/línea lineal.
El código que se utiliza para imprimir el diagrama de dispersión anterior es el siguiente:
Aquí hay un ejemplo de un conjunto de datos no lineal o un conjunto de datos linealmente no separable. El conjunto de datos utilizado es el conjunto de datos de Iris del paquete Sklearn.Datasets. Los datos representan dos clases diferentes como Virginica y Versicolor. Tenga en cuenta que uno no puede separar los datos representados utilizando marcas negras y rojas con un hiperplano lineal. Por lo tanto, estos datos pueden llamarse como datos no lineales.
¿Cómo saber si un modelo es lineal o no?
Primero, intentaré colocar la curva usando un modelo lineal. Debido a que solo hay una variable independiente, puedo usar una gráfica de línea ajustada. Este gráfico es útil porque puede graficar la relación estimada junto con los datos. En este modelo, uso un término en cubos para adaptarse a la curvatura.
La relación ajustada en el gráfico sigue los datos bastante cercanos y produce un alto R cuadrado de 98.5%. Esos suenan muy bien, pero se ven más de cerca y notará que varios lugares a lo largo de la línea de regresión constantemente predicen los valores observados. Este modelo es sesgado e ilustra un punto que hago en mi publicación sobre R-cuadrado. Por sí mismos, los altos valores de R cuadrado no indican necesariamente que tengan un buen modelo.
Debido a que solo tenemos una variable independiente, podemos trazar la relación en la trama de línea ajustada. Sin embargo, cuando tiene más de una variable independiente, no puede usar un diagrama de línea ajustado y deberá confiar en las parcelas residuales para verificar los supuestos de regresión. Para nuestros datos, los gráficos residuales muestran los patrones no aleatorios muy claramente. Quieres ver residuos aleatorios.
Nuestro modelo de regresión lineal no puede ajustar adecuadamente la curva en los datos. No hay nada más que podamos hacer con la regresión lineal. En consecuencia, es hora de probar la regresión no lineal.
Ahora, ajustemos los mismos datos pero usando regresión no lineal. Como mencioné anteriormente, la regresión no lineal puede ser más difícil de realizar. El hecho de que pueda ajustar modelos no lineales con prácticamente un número infinito de formas funcionales es tanto su fuerza como su inconveniente.
¿Cuándo es un modelo lineal?
En estadísticas, el término modelo lineal se usa de diferentes maneras según el contexto. La ocurrencia más común se relaciona con los modelos de regresión y el término a menudo se toma como sinónimo de modelo de regresión lineal. Sin embargo, el término también se usa en el análisis de series de tiempo con un significado diferente. En cada caso, la designación «lineal» se utiliza para identificar una subclase de modelos para los cuales es posible una reducción sustancial en la complejidad de la teoría estadística relacionada.
Para el caso de regresión, el modelo estadístico es el siguiente. Dada una muestra (aleatoria) (yi, xi1,…, xip), i = 1,…, n { displayStyle (y_ {i}, x_ {i1}, ldots, x_ {ip}), , i = 1, ldots, n} La relación entre las observaciones yi { displaystyle y_ {i}} y las variables independientesxij { displaystyle x_ {ij}} se formulan como
donde ϕ1,…, ϕp { displayStyle phi _ {1}, ldots, phi _ {p}} puede ser funciones no lineales. En lo anterior, las cantidades εi { displaystyle varepsilon _ {i}} son variables aleatorias que representan errores en la relación. La parte «lineal» de la designación se relaciona con la aparición de los coeficientes de regresión, βJ { displayStyle beta _ {j}} de manera lineal en la relación anterior. Alternativamente, se puede decir que los valores predichos correspondientes al modelo anterior, a saber,
- Los valores de minimización βj { displaystyle beta _ {j}} son funciones lineales de los errores aleatorios εi { displaystyle varepsilon _ {i}} que hace que sea relativamente fácil determinar las propiedades estadísticas de los valores estimados de βJ { DisplayStyle beta _ {j}}.
donde nuevamente las cantidades εi { displaystyle varepsilon _ {i}} son variables aleatorias que representan innovaciones que son nuevos efectos aleatorios que aparecen en un momento determinado pero también afectan los valores de x { displaystyle x} en momentos posteriores. En este caso, el uso del término «modelo lineal» se refiere a la estructura de la relación anterior al representar Xt { displayStyle x_ {t}} las innovaciones. [1] Este aspecto particular de la estructura significa que es relativamente simple derivar relaciones para las propiedades media y covarianza de la serie temporal. Tenga en cuenta que aquí la parte «lineal» del término «modelo lineal» no se refiere a los coeficientes ϕi { displayStyle phi _ {i}} y θi { displaystyle theta _ {i}}, como estaría en El caso de un modelo de regresión, que parece estructuralmente similar.
¿Qué es un modelo matemático no lineal?
Muchos maestros que leen los estándares para la práctica matemática están confundidos por lo que significa «modelo con matemáticas» (práctica matemática 4). Defino el modelado matemático como el proceso de tomar un contexto a menudo del mundo real, convirtiéndolo en algo que puede manipular con las matemáticas y luego volver al contexto con el nuevo conocimiento. Por ejemplo, si desea descubrir cuántas estrellas hay en el universo, el modelado matemático implica crear una representación o modelo matemático, para aproximar el número de estrellas. Esta es a menudo la parte más difícil del proceso, ya que una vez que tiene su modelo, puede descubrir la respuesta. Sin embargo, sin el modelo, no hay números para calcular.
Afortunadamente, los capítulos del Marco de Matemáticas de California están fuera y el capítulo sobre modelado matemático tiene una sección muy útil llamada «¿Qué no es el modelado matemático?» Aquí está la sección en su totalidad:
- No está modelando en el sentido de: “Lo hago; ahora hazlo tú.»
- No está modelado en el sentido de usar manipuladores para representar conceptos matemáticos (estos podrían llamarse «usando representaciones concretas» en su lugar).
- No se modela en el sentido de que un «modelo» es solo un gráfico, ecuación o función. El modelado es un proceso.
- No es solo comenzar con una situación del mundo real y resolver un problema matemático; Está volviendo a la situación del mundo real y al usar las matemáticas para informar nuestra comprensión del mundo. (Es decir, contextualización y destextualización, ver Mp.2.)
- No está comenzando con las matemáticas y luego pasar al mundo real; Está comenzando con el mundo real (concreto) y lo representa con matemáticas.
Ha sido mi experiencia que los maestros que leen «modelo con matemáticas» por primera vez piensan que la segunda y la tercera bala. Los estudiantes pueden usar manipuladores o hacer representaciones durante el proceso de modelar una situación, pero no son ellos mismos los modelos.
¿Qué es modelo matemático lineal?
Representamos relaciones lineales gráficamente con líneas rectas. Un modelo lineal generalmente se describe mediante dos parámetros: la pendiente, a menudo llamada factor de crecimiento o tasa de cambio, y la intersección YYY, a menudo llamada valor inicial. Dada la pendiente mmm y la intersección yyy b, b, b, el modelo lineal se puede escribir como una función lineal y = mx+b.y = mx+b.y = mx+b.
Podemos representar la posición de un automóvil que se mueve a una velocidad constante con un modelo lineal.
¿Cuál es la ecuación de una línea con la pendiente 444 y la intersección de yyy 6? 6? 6?
Para escribir un modelo lineal, necesitamos conocer tanto la tasa de cambio como el valor inicial. Una vez que hemos escrito un modelo lineal, podemos usarlo para resolver todo tipo de problemas.
Un gimnasio tiene 100 miembros. El gimnasio planea aumentar la membresía por 10 miembros cada año. Escriba una ecuación para representar la relación entre el número de miembros, Y, Y, Y, y los años a partir de ahora, X.X.X.
El valor inicial es 100 y la tasa de cambio es 10. Por lo tanto, y = 10x+100.y = 10x+100.y = 10x+100.
La siguiente tabla muestra el costo de un cono de helado yyy con ingredientes xxx. Escriba una ecuación que modela la relación entre XXX y Y.Y.Y.
Adding one additional topping costs $3.75−$3.50=$0.25$3.75-$3.50=$0.25$3.75−$3.50=$0.25 or $4.25−$3.752=$0.25.frac{$4.25-$3.75}{2} = $0.25.2$4.25−$3.75 = $ 0.25. Si un cono de helado con dos coberturas cuesta $ 3.50 cada cobertura cuesta $ 0.25, entonces un cono sin ingredientes debe costar $ 3.00. Por lo tanto, la tasa de cambio es 0.25, el valor inicial es 3 e y = 0.25x+3.y = 0.25x+3.y = 0.25x+3.
¿Cómo saber si un sistema es no lineal?
Dependiendo del comportamiento de la ecuación del sistema de la curva de entrada versus la salida, puede ser de cualquier forma.
Se dice que el sistema es lineal si satisface estas dos condiciones:
- Superposición: si la entrada aplicada es (x1+x2), entonces la salida obtenida será Y1+Y2. (De manera equivalente, decimos que si X1 y X2 se aplican simultáneamente, la salida será la suma de las salidas obtenidas individualmente)
- Homogeneidad: la entrada IF (K * x1) se aplica, entonces la salida obtenida será K * Y1. Aquí K es cualquier número real.
Según mi comprensión, la linealidad del sistema se verifica fijando el tiempo. La señal de entrada x (t) varía al valor fijo de t (deja 1 seg). Luego vea cómo la salida y (t) varía al mismo valor de t. Si la relación entre y y x es lineal (línea recta) y se cruza a través del origen, entonces el sistema es lineal. Si encuentra algún tiempo t en el que el sistema no es lineal, entonces el sistema no es lineal.
1) Si quiere decir que tiene una función X y estos son puntos diferentes, entonces esos son valores t diferentes, digamos T1 y T2, entonces el cos (3T) no es lo mismo, por lo que la adición se convierte en x (t1) * cos (3 * t1) + x (t2) * cos (3 * t2).
2) Si quiere decir que esas son dos funciones diferentes, y Y también tiene una función como parámetro, ¿qué está trayendo exactamente? También entonces la definición de y (t) debe leerse como y (x) (t) o algo así…
Artículos Relacionados:
