Un resumen con los pros y contras que conlleva cada modelo de clasificación

Regresión con bosques aleatorios Bosques aleatorios Versión mejorada del árbol de regresión ya que es capaz de utilizar miles de árboles de regresión para obtener una mejor predicción. Pasos a

CART -> Classification and Regressión Tree Una vez ejecutamos nuestro algoritmo árbol de decisión, el conjunto de datos de las variables independientes quedará dividido en segmentos. Básicamente se fija en

Regresión con máquina de soporte vectorial SVR Sirven tanto para regresiones lineales como no lineales. La idea es ajustar una calle, he intentar mantener cuántas más obvervaciones posibles del conjunto

Restriciones de la Regresión Lineal Linealidad Homoceadasticidad Normalidad Multivariable Independencia de los errores Ausencia de multicolinealidad. El modelo es incapaz de distinguir los efectos de una variable dummy. Variable Dummy

Vamos a intentar predecir y crear un modelo lineal, regresión lineal simple. Buscará todas las rectas posibles y nos dirá cuál es la recta que más se acerca la distancia

Machine Learning cuenta con distintos modelos ya sea para la predicción de datos como para la clasificación de estos. Os dejamos los modelos principales: Regresión. Regresión Lineal Simple Regresión Lineal

Introducción Tenemos una serie de datos, ya observados, la idea es suministrar estos datos al machine-learning y la máquina va intentar aprender rasgos y patrones a partir de las variables