Regresión lineal
Actualizado en June 21, 2024 4 minutos leer

Introducción
Dado un conjunto de datos $D = {(X_{1}, Y_{2}), \dots,(X_{N}, Y_{N})}$ como $X_{i}$ y $Y_{i }$ son continuos. El objetivo de la “regresión lineal” es encontrar la mejor línea que se ajuste a estos datos.
En otras palabras, queremos crear el modelo:
$$ \hat{y} = a*{0} + a*{1}.x*{1} + \dots + a*{p}.x_{p} $$
donde $p$ es el número de dimensiones de la variable $X$.
En este artículo veremos cómo solucionar este problema en tres escenarios:
-
Cuando X es unidimensional, es decir, $p=1$.
-
Cuando X es multidimensional, es decir, $p>1$.
-
Usando descenso de gradiente.
$X$ es unidimensional (mínimos cuadrados ordinarios)
El modelo que queremos crear tiene la forma:
$$ \hat{y} = a*{0} + a*{1}.x $$
Recuerde que el objetivo de la regresión lineal es encontrar la recta que mejor se ajuste a los datos. En otras palabras, necesitamos minimizar la distancia entre los puntos de datos y la línea.
$$ (\hat{a*{0}}, \hat{a*{1}}) = \underset{(a*{0}, a*{1})}{\operatorname{argmin}} \sum\limits*{i=1}^{N} (y*{i} - \hat{y*{i}})^2 $$
$$ = \underset{(a*{0}, a*{1})}{\operatorname{argmin}} \sum\limits*{i=1}^{N} (y*{i} - (a*{0} + a*{1}.x*{i}))^2 $$
Pongamos:
$$ L = \sum\limits*{i=1}^{N} (y*{i} - (a*{0} + a*{1}.x_{i}))^2 $$
Para encontrar el mínimo, necesitamos resolver las siguientes ecuaciones:
$$ \begin{cases} \frac{\partial L}{\partial a_{0}} = 0\ \frac{\partial L}{\partial a_{1}} = 0 \end{cases} $$
$$ \begin{cases} \sum\limits_{i=1}^{N} -2(y_{i} - (a_{0} + a_{1}.x_{i})) = 0\ \sum\limits_{i=1}^{N} -2x_{i}(y_{i} - (a_{0} + a_{1}.x_{i})) = 0 \end{cases} $$
Comenzamos desarrollando la primera ecuación:
$$ \sum\limits_{i=1}^{N} y_{i} - \sum\limits_{i=1}^{N}a_{0} + \sum\limits_{i=1}^{N} a_{1}.x_{i} = 0\ $$
$$ \sum\limits_{i=1}^{N} y_{i} - Na_{0} + \sum\limits_{i=1}^{N} a_{1}.x_{i} = 0\ $$
$$ a_{0} = \frac{\sum\limits_{i=1}^{N} y_{i}}{N} - \frac{\sum\limits_{i=1}^{N} x_{i}}{N}a_{1} $$
$$ a_{0} = Y - Xa_{1} $$
Sustituimos en la segunda ecuación:
$$ \sum\limits_{i=1}^{N} x_{i}(y_{i} - Y + Xa_{1} - a_{1}x_{i}) = 0 $$
$$ \sum\limits_{i=1}^{N} (y_{i} - Y) + a_{1}(X - x_{i}) = 0 $$
$$ \sum\limits_{i=1}^{N} (y_{i} - Y) - \sum\limits_{i=1}^{N}a_{1}(x_{i} - X) = 0 $$
$$ a_{1} = \frac{\sum\limits_{i=1}^{N} (y_{i} - Y)}{\sum\limits_{i=1}^{N}(x_{i} - X)} = \frac{\sum\limits_{i=1}^{N} (y_{i} - Y)(x_{i} - X)}{\sum\limits_{i=1}^{N}(x_{i} - X)^2} = \frac{COV(X, Y)}{VAR(X)} $$
Sustituimos nuevamente en $a_{0}$:
$$ \begin{cases} a_{0} = Y - X\frac{COV(X, Y)}{VAR(X)}\ a_{1} = \frac{COV(X, Y)}{VAR(X)} \end{cases} $$
$X$ es multidimensional (mínimos cuadrados ordinarios)
En este caso, $X_{i}$ ya no es un número real, sino que es un vector de tamaño $p$:
$$ X*{i} = (X*{i1},X*{i2},\dots,X*{ip}) $$
Entonces, el modelo se escribe de la siguiente manera:
$$ \hat{y} = a*{0} + a*{1}x*{1} + a*{2}x*{2} + \dots + a*{p}x_{p} $$
o puede escribirse en formato matricial:
$$ \hat{Y} = X.W $$
dónde:
-
$Y$ tiene la forma $(N, 1)$.
-
$X$ tiene la forma $(N, p)$.
-
$W$ tiene la forma $(p, 1)$: este es el vector de parámetros $(w_{1}, w_{2}, \dots, w_{p})$.
De manera similar al primer caso, nuestro objetivo es minimizar la siguiente cantidad:
$$ \hat{W} = \underset{W}{\operatorname{argmin}} \sum\limits*{i=1}^{N} (y*{i} - \hat{y_{i}})^2 $$
Nuevamente pongamos:
$$ L = \sum\limits*{i=1}^{N} (y*{i} - \hat{y_{i}})^2 $$
$$ = (Y-XW)^{T}(Y-XW) $$
$$ = Y^TY-Y^TXW-W^TX^TY+W^TX^TXW $$
$$ = Y^TY-2W^TX^TY+W^TX^TXW $$
Como queremos minimizar $L$ con respecto a $W$, entonces podemos ignorar el primer término “$Y^TY$” porque es independiente de $W$ y resolvamos la siguiente ecuación:
$$ \frac{\partial (-2W^TX^TY+W^TX^TXW)}{\partial W} = 0 $$
$$ -2X^TY+2X^TX\hat{W} = 0 $$
$$ \hat{W} = (X^TX)^{-1}X^TY $$
Usando descenso de gradiente
Aquí está la formulación del algoritmo de descenso de gradiente:
$$ w*{n+1} = w*{n} - lr \times \frac{\partial f}{\partial w_{n}} $$
Ahora todo lo que tenemos que hacer es aplicarlo en los dos parámetros $a_{0}$ y $a_{1}$ (en el caso de una variable $X$):
$$ \begin{cases} a_{0}^{(n+1)} = a_{0}^{(n)} - lr \times \frac{\partial L}{\partial a_{0}}\ a_{1}^{(n+1)} = a_{1}^{(n)} - lr \times \frac{\partial L}{\partial a_{1}} \end{cases} $$
y sabemos que:
$$ \begin{cases} \frac{\partial L}{\partial a_{0}} = \sum\limits_{i=1}^{N} -2(y_{i} - (a_{0} + a_{1}.x_{i}))\ \frac{\partial L}{\partial a_{1}} = \sum\limits_{i=1}^{N} -2x_{i}(y_{i} - (a_{0} + a_{1}.x_{i})) \end{cases} $$
Por sustitución:
$$ \begin{cases} a_{0}^{(n+1)} = a_{0}^{(n)} + 2 \times lr \times \sum\limits_{i=1}^{N} (y_{i} - (a_{0}^{(n)} + a_{1}^{(n)}.x_{i}))\ a_{1}^{(n+1)} = a_{1}^{(n)} + 2 \times lr \times \sum\limits_{i=1}^{N} x_{i}(y_{i} - (a_{0}^{(n)} + a_{1}^{(n)}.x_{i})) \end{cases} $$
Prueba
-
¿Cuál es la fórmula del vector de parámetros óptimos en el caso de regresión lineal multidimensional?
-
$\frac{COV(X, Y)}{VAR(Y)}$
-
$\frac{COV(X, Y)}{VAR(X)}$
-
$(X^TX)^{-1}X^TY$ “correcto”
-
¿Por qué ponemos la derivada a 0?
-
Encontrar el extremo. “correcto”
-
Minimizar la derivada.
-
Conservar únicamente la parte real de la derivada.
-
¿Cuál es el objetivo de la regresión lineal?
-
Encontrar la recta que pasa por todos los puntos.
-
Para encontrar la línea que mejor describa los datos.”correcto”
-
Encontrar la línea que mejor separa los datos.