Taller Machine Learning Regresion, Exámenes selectividad de Matemáticas

¡Descarga Taller Machine Learning Regresion y más Exámenes selectividad en PDF de Matemáticas solo en Docsity!

FACULTAD DE INGENIERÍA INGENIERIA DE SISTEMAS Nombre de la Asignatura

Aprendizaje Computacional

Taller Regresión en WEKA

65%: 1ERA PARTE REGRESION MULTIPLE - CPU PERFORMANCE

Para esta parte se quiere laborar un modelo con el cual predecir el Desempeño estimado Relativo de una CPU ( Estimated Relative Performance (ERP )) basándose en una serie de atributos como, MYCT, MMIN, MMAX, CACH, CHMIN, CHMAX. En esta parte del taller se trabajará con el conjunto de datos cpu.arff

1. Note que el atributo vendor es nominal y no numérico, eso podrá darle problemas. Por ahora simplemente borre este atributo.
2. Use la pestaña Visualize y explore los datos. Fíjese en las gráficas de dispersión de algunos atributos contra la variable objetivo ERP. o ¿Cree usted que la variable objeto si puede ser predicha (al menos parcialmente) desde los datos de entrada? o ¿Algunos de los atributos de entrada tienen una alta correlación?
3. Ahora realice una Reresión Lineal Simple (pestaña Classify , seleccionar Choose > functions > LinearRegression). Usar las opciones por defecto. Examine los resultados desde los errores obtenidos ( Relative absolute error y Root relative squared error). Favor documéntese sobre que significan estos errores (ya se entregó documentación de esto).
4. Antes se eliminó la variable vendor. Sin embargo, podemos usar atributos nominales en una regresión convirtiéndolos en numéricos. Vuelva y cargue los datos originales de cpu.arff. en la pestaña Preprocess seleccione Choose > filters > unsupervised > attribute > NominaltoBinary y click en Apply. Esto reemplazará la variable vendor con 30 variables binarias ahora hay 37 atributos (inicialmente habían 8).
5. Ahora realice nuevamente la regresión y analice los resultados desde lo errores o Compare con los resultados de antes y diga si el haber binarizado la variable vendor mejoró el desempeño del modelo.
6. Documéntese y explique cómo es el criterio de convergencia que usa este algoritmo de Regresión en WEKA.
7. Teniendo en cuenta los mejores resultados obtenidos, anteriormente, haga una gráfica de los valores reales (o actuales) versus los valores predichos, para esto usted debe activar la salida de dichos datos en WEKA, mire la gráfica:

Objetivo:

Determinar la comprensión de los conceptos básicos del proceso de Regresión y como el estudiante puede realizarla en un software dado

Objetivos específicos

• Ver si el estudiante entiende el proceso básico de la Regresión
• Verificar la capacidad de modelar una situación u problema concreto que necesite la regresión logística usando un software dado