Regresión de aristas | Ridge Regression
En esta historia de DS … contaremos como mejorar nuestro modelo con Regresión de aristas.
Traducción: Nos ayuda a ajustar nuestra regresión polinomial ajustando la curvatura de nuestra función para cubrir mas puntos de nuestra información.
El parámetro de ajuste se llama >> Alpha<< y es un hiperparametro
En estas gráficas vemos como cambia nuestro modelo conforme variamos alpha.
En esta ultima gráfica es un caso de Underfitting, nuestro modelo no esta pronosticando gran cantidad de datos (puntos).
Para encontrar el correcto valor de Alpha, usamos R². Donde mas cerca de 1 es el valor correcto.
La forma de implementarlo en Python es con el módulo Ridge
X = son las variables dependientes
Y = la variable dependiente o target
Yhat = son las predicciones de nuestro modelo..
Predict()
Nos da las predicciones de los valores de nuestro modelo
Score()
Calcula R²
- GridSearchCV
Una forma de probar varios valores para Alpha es usando GridSearch quien se encarga del manejo de hiperparametros.
Los parámetros que necesitamos pasar son:
RR= instancia de Ridge para la regresión de aristas
dict_alpha =los valores posibles de alpha
cv=número en que vamos a dividir nuestra información usando Cross Validation
Por ultimo obtenemos el mejor valor para alpha
👏Gracias por tu tiempo … aplauso/comentario … follow se agradece 👍
👀También puedes seguirme en YouTube
