Hay muchas relaciones en el mundo que no son lineales. Sin embargo, la forma más fácil de lidiar con estos en la regresión es transformar las variables (por ejemplo, tomando registros o raíces cuadradas de variables independientes o dependientes) para hacerlas aproximadamente lineales.
Un buen ejemplo son las temperaturas medias globales mensuales. Si ajusta los datos a una línea recta, estimaría que las temperaturas estarían 4 grados C por encima de los niveles preindustriales en 530 años. Si agrega un término cuadrático porque el calentamiento parece estar acelerándose, alcanzará ese límite en 132 años. Por lo tanto, hace una gran diferencia si su modelo es lineal o si permite una curvatura cuadrática.
Otro ejemplo es el efecto de los años de educación en las tasas de ingresos y empleo. Usted ve los efectos crecientes de años de educación en los ingresos hasta los títulos profesionales, y luego una disminución cuando pasa al doctorado. El efecto sobre la tasa de empleo es fuerte para terminar la escuela secundaria y obtener años adicionales, pero cada año agrega menos que el anterior, y nuevamente la dirección se invierte para los doctorados. Entonces, si está estudiando estos efectos, necesita un modelo no lineal.
- ¿Cómo puedo usar una red neuronal de convolución (para reconocimiento facial) después del entrenamiento? Quiero darle una cara como entrada y ver la salida predicha.
- ELI5: ¿Qué son las redes neuronales?
- ¿Existe algún algoritmo específico para prevenir un ataque DDoS?
- ¿Por qué Intel Xeon Phi no se usa mucho para acelerar el entrenamiento de aprendizaje profundo?
- ¿De qué maneras incorpora Snapchat el aprendizaje automático?