Siempre que tenga los datos adecuadamente podados, en teoría necesitará estimadores de mínimos cuadrados para obtener la pendiente de la regresión lineal y la media del vector de respuesta como ubicación. ¡Ponga estos dos en formato Y = mX + C y Et Voila!
Curiosamente, debe calcular el coeficiente de correlación (nos encanta nuestra jerga) para obtener la estimación de mínimos cuadrados que es básicamente E (XY) -E (X) E (Y). para explicar con datos, (supongamos que E significa suma) 1 / frecuencia neta {E (XY) -E (X) E (Y)}.
¡Ahora, esto se puede calcular con un montón de softwares!
- Cómo usar KNN para datos mixtos (categóricos y numéricos)
- ¿Por qué estudiar el procesamiento del lenguaje natural?
- Cómo interpretar el resultado de una red totalmente convolucional
- ¿Por qué el aprendizaje de refuerzo (profundo) no es adecuado o se usa más para resolver problemas de optimización combinatoria?
- ¿Puede explicar la optimización convexa sin matrices de arpillera y solo la segunda derivada?
la más fácil de ellas es Minitab, SPSS, Matlab, Statistica, etc., pero ninguna es una plataforma de código abierto.
Entonces podemos hacerlo en estos dos lenguajes de nivel de máquina de manera bastante simple: R y Python.
Mira hacia arriba: ‘ cor’ y ‘ lm’ funcionan en R!
¡Aclamaciones! * Disculpas por llegar tarde a la fiesta.
