Unidad: Regresíon - Sesión 2

Regresión (desde el Aprendizaje de Máquinas)

Sobre el ejemplo

• En esta sesión trabajaremos una base de datos sobre los precios de las viviendas en Boston, utilizada en el paper Harrison Jr, D., & Rubinfeld, D. L. (1978). Hedonic housing prices and the demand for clean air. Journal of environmental economics and management, 5(1), 81-102.

• Nuestro objetivo es desarrollar un modelo predictivo para el valor mediano de las casas mediante el entrenamiento de un modelo de regresión lineal.

crim: Tasa de criminalidad por sector de Boston zn proporción de terreno residencial asignado para terrenos baldíos. indus proporción de negocios no asociados al comercio por sector. chas Dummy. 1 si el sector colinda con el río Charles, 0 de lo contrario. nox Concentración de dióxido de carbono rm cantidad promedio de habitaciones por casa. age proporción de casas construídas antes de 1940 dis distancia promedio a cinco centros de empleos. rad índice de accesibilidad a autopistas. tax nivel de impuestos asociados a viviendas. ptratio razón alumno:profesor por sector de Boston. black proporción de afroamericanos por sector de Boston. lstat porcentaje de población de estratos bajos. medv valor mediano de las casas

Ejercicio 1: Prepare el ambiente de trabajo

• Importe las librerías básicas para el análisis de datos.
• Importe el módulo linear_model, y las funciones mean_squared_error, r2_score y train_test_split.
• Importe la base de datos boston.csv y elimine la columna Unnamed: 0.
• Obtenga las medidas descriptivas de la base de datos con .describe().

Ejercicio 2: División de la muestra

• Genere conjuntos de entrenamiento y validación con train_test_split.
• Genere segmentaciones del 33% para las muestras de validación.
• Incluya una semilla pseudoaleatoria

Ejercicio 3: Generación de modelos

• Ahora implementaremos dos versiones del modelo lineal:

  1. Con intercepto y atributos normalizados.
  • Sin intercepto y atributos no normalizados.

• Cada versión debe generarse en un nuevo objeto inicializado.

• Posteriormente se deben entrenar los modelos especificando la matriz y vector de entrenamiento.

• Con los modelos entrenados, genere una predicción de matriz de validación.

Ejercicio 4: Obtención de métricas

• Ahora generemos una función llamada report_scores que ingrese como argumentos el vector de datos predichos y el vector de datos por validar.
• La función debe imprimir las métricas del Error Cuadrático Promedio y R2.
• Reporte las métricas para ambos modelos. En base a ello, seleccione el mejor modelo.

Ejercicio 5: Refactorización del modelo

• Genere una función llamada fetch_features que ingrese como argumentos la base de datos y el nombre del vector objetivo. El nombre del vector debe ser medv por defecto
• La función debe retornar una lista con las correlaciones entre cada atributo y el vector objetivo y su nombre.
• Reporte brevemente cuales los 6 atributos con una mayor correlación con medv

Ejercicio 6: Refactorización del modelo predictivo

• Genere otros conjuntos de entrenamiento y validación en base a una matriz con los 6 atributos identificados y el vector objetivo.
• Entrene un modelo en base al mejor desempeño.
• Reporte las métricas para el nuevo modelo.