Date post: | 05-Nov-2015 |
Category: |
Documents |
Upload: | esteban-torres |
View: | 216 times |
Download: | 0 times |
Introduccin a Machine LearningModelo
Descenso del Gradiente
Inteligencia de NegociosRegresin Lineal con Una Variable
Profesor Julio Casanova V.
Facultad de IngenieraUniversidad Mayor
I Semestre 2015
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del Gradiente
Contenido
1 Introduccin a Machine LearningBIMarco General
2 ModeloRepresentacin del ModeloFuncin de Costo
3 Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteBIMarco General
Ejemplo BIEstructura informtica necesaria para hacer BI
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteBIMarco General
Machine Learning y sus Interacciones
MachineLearning
AprendizajeNo Su-pervisado
Clustering
Reglas deAsociacin
AprendizajeSupervisado
RegresinLineal
RegresinLogstica
RedesNeuronales
SupportVectorMachine
Data Mining
Algoritmosde Apren-dizaje Visualizacin
Bases deDatos
InteligenciaArtificial
RobticaProcesamientodel Lenguaje
Natural
EstadsticaDescriptiva
Inferencial
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteRepresentacin del ModeloFuncin de Costo
Representacin del ModeloPrediccin del precio de la vivienda
x x xxx
x xx x
xxxxx
x
xx
xx
xxxxx
xxxxxx
xx
x
xx
x
xx
xx
x
0 500 1000 1500 2000 2500 30000
100
200
300
400
500
Tamao en pies2
Precio
(US$
)en
miles
Aprendizaje Supervisado Respuestas correctas estn dadas.Regresin Predice como output valores continuos.
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteRepresentacin del ModeloFuncin de Costo
Representacin del ModeloConjunto de entrenamiento
Tamao en pies2 (x) Precio ($) en miles (y)
1250 2201320 3001510 3102800 295. . . . . .
Notacin:m = Nmero de ejemplos de entrenamientoxs = Variable input / caractersticays = Variable output / objetivo
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteRepresentacin del ModeloFuncin de Costo
Representacin del ModeloHiptesis
Conjunto Entrenamiento
Algoritmo de Aprendizaje
h (Hiptesis)Tamao Casa (x) Precio Estimado
Cmo representamos h?
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteRepresentacin del ModeloFuncin de Costo
Representacin del ModeloHiptesis
Tamao en pies2 (x) Precio ($) en miles (y)
1250 2201320 3001510 3102800 295. . . . . .
Hiptesis: h(x) = 0 + 1xi s: Parmetros
Cmo escogemos los i s?
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteRepresentacin del ModeloFuncin de Costo
Funcin de Costo
Hiptesis:h(x) = 0 + 1x
Parmetros:0, 1
Funcin de Costo:
J(0, 1) =12m
mi=1
(h(x (i)) y (i))2
Objetivo:min0,1
J(0, 1)
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteRepresentacin del ModeloFuncin de Costo
Funcin de Costo
10
15
J(the
ta_0,t
heta_
1)
20
25
30
35
5
0
4
2
theta_1-2
0
-4-4
-2 theta_00
2
4
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteRepresentacin del ModeloFuncin de Costo
Funcin de CostoPara 0 = 800 y 1 = 0.15
h(x)(para 0, 1 fijos, esta es una funcin de x)
0 1000 2000 3000 4000 5000100
200
300
400
500
600
700
Tamano en pies cuadrados
Prec
io e
n m
iles
Conjunto entrenamientoHipotesis actual
J(0, 1)(funcin de los parmetros 0, 1)
-1000 -500 0 500 1000 1500 2000
-0.4
-0.2
0
0.2
0.4
theta_0
thet
a_1
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteRepresentacin del ModeloFuncin de Costo
Funcin de CostoPara 0 = 300 y 1 = 0
h(x)(para 0, 1 fijos, esta es una funcin de x)
0 1000 2000 3000 4000 5000100
200
300
400
500
600
700
Tamano en pies cuadrados
Prec
io e
n m
iles
Conjunto entrenamientoHipotesis actual
J(0, 1)(funcin de los parmetros 0, 1)
-1000 -500 0 500 1000 1500 2000
-0.4
-0.2
0
0.2
0.4
theta_0
thet
a_1
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteRepresentacin del ModeloFuncin de Costo
Funcin de CostoPara 0 = 71.32 y 1 = 0.13 (ptimo)
h(x)(para 0, 1 fijos, esta es una funcin de x)
0 1000 2000 3000 4000 5000100
200
300
400
500
600
700
Tamano en pies cuadrados
Prec
io e
n m
iles
Conjunto entrenamientoHipotesis actual
J(0, 1)(funcin de los parmetros 0, 1)
-1000 -500 0 500 1000 1500 2000
-0.4
-0.2
0
0.2
0.4
theta_0
thet
a_1
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal
Descenso del Gradiente
Tenemos una funcin J(0, 1)Queremos min0,1 J(0, 1)
Algoritmo:
Partir con algn 0, 1 (podra ser 0 = 0, 1 = 0).
Constantemente cambiar 0, 1 para reducir J(0, 1) hastaque finalmente lleguemos a un mnimo.
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal
Funcin No Lineal
theta_1
-10
-5
J(the
ta_0,t
heta_
1)
0
5
10
-10
12
3
-2-3
-3-2
-1 theta_00
12
3
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal
Algoritmo del Descenso del Gradiente
repetir hasta la convergencia {
j := j j
J(0, 1)
}
(actualizar simultneamentej = 0 y j = 1)
Si es muy pequeo, el descenso del gradiente puede serlento.Si es muy grande, el descenso del gradiente puedesobrepasar el mnimo. Puede dar problemas en laconvergencia, o incluso divergir.
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal
Descenso del Gradiente para la Regresin Lineal
Modelo Regresin Lineal:
h(x) = 0 + 1x
J(0, 1) =12m
mi=1
(h(x (i)) y (i))2
Algoritmo Descenso del Gradiente:
repetir hasta la convergencia {
j := j j
J(0, 1), j = 0, 1
}
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal
Descenso del Gradiente para la Regresin Lineal
repetir hasta la convergencia {
0 := 0 1mmi=1
(h(x (i)) y (i))
1 := 1 1mmi=1
(h(x (i)) y (i)) x (i)
(actualizar 0 y 1 simultneamente)}
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal
Funcin de CostoSabemos que es una funcin cuadrtica ...
10
15
J(the
ta_0,t
heta_
1)
20
25
30
35
5
0
4
2
theta_1-2
0
-4-4
-2 theta_00
2
4
... y es Convexa, por lo tanto tiene un mnimo global.Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal
Iteraciones Descenso del GradientePara 0 = 900 y 1 = 0.1
h(x)(para 0, 1 fijos, esta es una funcin de x)
0 1000 2000 3000 4000 5000100
200
300
400
500
600
700
Tamano en pies cuadrados
Prec
io e
n m
iles
Conjunto entrenamientoHipotesis actual
J(0, 1)(funcin de los parmetros 0, 1)
-1000 -500 0 500 1000 1500 2000
-0.4
-0.2
0
0.2
0.4
theta_0
thet
a_1
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal
Iteraciones Descenso del GradientePara 0 = 800 y 1 = 0.12
h(x)(para 0, 1 fijos, esta es una funcin de x)
0 1000 2000 3000 4000 5000100
200
300
400
500
600
700
Tamano en pies cuadrados
Prec
io e
n m
iles
Conjunto entrenamientoHipotesis actual
J(0, 1)(funcin de los parmetros 0, 1)
-1000 -500 0 500 1000 1500 2000
-0.4
-0.2
0
0.2
0.4
theta_0
thet
a_1
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal
Iteraciones Descenso del GradientePara 0 = 650 y 1 = 0.13
h(x)(para 0, 1 fijos, esta es una funcin de x)
0 1000 2000 3000 4000 5000100
200
300
400
500
600
700
Tamano en pies cuadrados
Prec
io e
n m
iles
Conjunto entrenamientoHipotesis actual
J(0, 1)(funcin de los parmetros 0, 1)
-1000 -500 0 500 1000 1500 2000
-0.4
-0.2
0
0.2
0.4
theta_0
thet
a_1
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal
Iteraciones Descenso del GradientePara 0 = 550 y 1 = 0.09
h(x)(para 0, 1 fijos, esta es una funcin de x)
0 1000 2000 3000 4000 5000100
200
300
400
500
600
700
Tamano en pies cuadrados
Prec
io e
n m
iles
Conjunto entrenamientoHipotesis actual
J(0, 1)(funcin de los parmetros 0, 1)
-1000 -500 0 500 1000 1500 2000
-0.4
-0.2
0
0.2
0.4
theta_0
thet
a_1
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal
Iteraciones Descenso del GradientePara 0 = 450 y 1 = 0.04
h(x)(para 0, 1 fijos, esta es una funcin de x)
0 1000 2000 3000 4000 5000100
200
300
400
500
600
700
Tamano en pies cuadrados
Prec
io e
n m
iles
Conjunto entrenamientoHipotesis actual
J(0, 1)(funcin de los parmetros 0, 1)
-1000 -500 0 500 1000 1500 2000
-0.4
-0.2
0
0.2
0.4
theta_0
thet
a_1
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal
Iteraciones Descenso del GradientePara 0 = 360 y 1 = 0
h(x)(para 0, 1 fijos, esta es una funcin de x)
0 1000 2000 3000 4000 5000100
200
300
400
500
600
700
Tamano en pies cuadrados
Prec
io e
n m
iles
Conjunto entrenamientoHipotesis actual
J(0, 1)(funcin de los parmetros 0, 1)
-1000 -500 0 500 1000 1500 2000
-0.4
-0.2
0
0.2
0.4
theta_0
thet
a_1
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal
Iteraciones Descenso del GradientePara 0 = 290 y 1 = 0.04
h(x)(para 0, 1 fijos, esta es una funcin de x)
0 1000 2000 3000 4000 5000100
200
300
400
500
600
700
Tamano en pies cuadrados
Prec
io e
n m
iles
Conjunto entrenamientoHipotesis actual
J(0, 1)(funcin de los parmetros 0, 1)
-1000 -500 0 500 1000 1500 2000
-0.4
-0.2
0
0.2
0.4
theta_0
thet
a_1
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal
Iteraciones Descenso del GradientePara 0 = 200 y 1 = 0.08
h(x)(para 0, 1 fijos, esta es una funcin de x)
0 1000 2000 3000 4000 5000100
200
300
400
500
600
700
Tamano en pies cuadrados
Prec
io e
n m
iles
Conjunto entrenamientoHipotesis actual
J(0, 1)(funcin de los parmetros 0, 1)
-1000 -500 0 500 1000 1500 2000
-0.4
-0.2
0
0.2
0.4
theta_0
thet
a_1
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal
Iteraciones Descenso del GradientePara 0 = 71 y 1 = 0.13 (ptimo)
h(x)(para 0, 1 fijos, esta es una funcin de x)
0 1000 2000 3000 4000 5000100
200
300
400
500
600
700
Tamano en pies cuadrados
Prec
io e
n m
iles
Conjunto entrenamientoHipotesis actual
J(0, 1)(funcin de los parmetros 0, 1)
-1000 -500 0 500 1000 1500 2000
-0.4
-0.2
0
0.2
0.4
theta_0
thet
a_1
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningModelo
Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal
Inteligencia de NegociosRegresin Lineal con Una Variable
Profesor Julio Casanova V.
Facultad de IngenieraUniversidad Mayor
I Semestre 2015
Julio Casanova V. Inteligencia de Negocios
Introduccin a Machine LearningBIMarco General
ModeloRepresentacin del ModeloFuncin de Costo
Descenso del GradienteAlgoritmo Descenso del GradienteDescenso del Gradiente para la Regresin Lineal