6/7/22, 22:18 Pregunta1 - Pablo David - Jupyter Notebook

Regresión Logística: Ejercicio Propuesto

Apellido: Pablo Mamani

Nombre: David Alcides

Importación de Librerias
In [1]:

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns

Recupere los datos

In [2]:

ad_data=pd.read_csv('airfoil_self_noise.csv')

Revise las primeras filas de ad_data

In [3]:

ad_data.head()

Out[3]:

Angle of Chord Free-stream Suction side Scaled sound

Frequency
attack length velocity displacement thickness pressure level

0 800 0.0 0.3048 71.3 0.002663 126.201

1 1000 0.0 0.3048 71.3 0.002663 125.201

2 1250 0.0 0.3048 71.3 0.002663 125.951

3 1600 0.0 0.3048 71.3 0.002663 127.591

4 2000 0.0 0.3048 71.3 0.002663 127.461

localhost:8888/notebooks/Tareas Inteligencia artificial/parcial/Pregunta1 - Pablo David.ipynb 1/14

6/7/22, 22:18 Pregunta1 - Pablo David - Jupyter Notebook

In [4]:

ad_data.info()

<class 'pandas.core.frame.DataFrame'>

RangeIndex: 1503 entries, 0 to 1502

Data columns (total 6 columns):

# Column Non-Null Count Dtype

--- ------ -------------- -----

0 Frequency 1503 non-null int64

1 Angle of attack 1503 non-null float64

2 Chord length 1503 non-null float64

3 Free-stream velocity 1503 non-null float64

4 Suction side displacement thickness 1503 non-null float64

5 Scaled sound pressure level 1503 non-null float64

dtypes: float64(5), int64(1)

memory usage: 70.6 KB

In [5]:

ad_data.describe()

Out[5]:

Suction side Scaled sound

Angle of Chord Free-stream
Frequency displacement pressure
attack length velocity
thickness level

count 1503.000000 1503.000000 1503.000000 1503.000000 1503.000000 1503.000000

mean 2886.380572 6.782302 0.136548 50.860745 0.011140 124.835943

std 3152.573137 5.918128 0.093541 15.572784 0.013150 6.898657

min 200.000000 0.000000 0.025400 31.700000 0.000401 103.380000

25% 800.000000 2.000000 0.050800 39.600000 0.002535 120.191000

50% 1600.000000 5.400000 0.101600 39.600000 0.004957 125.721000

75% 4000.000000 9.900000 0.228600 71.300000 0.015576 129.995500

max 20000.000000 22.200000 0.304800 71.300000 0.058411 140.987000

Análisis de Datos Exploratorio

¡Usemos seaborn para explorar los datos!

¡Intenta recrear los trazados que se muestran a continuación!

** Crea un histograma de la edad **

localhost:8888/notebooks/Tareas Inteligencia artificial/parcial/Pregunta1 - Pablo David.ipynb 2/14

6/7/22, 22:18 Pregunta1 - Pablo David - Jupyter Notebook

In [6]:

sns.set_palette("GnBu_d")
sns.set_style("whitegrid")
sns.displot(ad_data['Scaled sound pressure level'])

Out[6]:

<seaborn.axisgrid.FacetGrid at 0x2425c926b80>

localhost:8888/notebooks/Tareas Inteligencia artificial/parcial/Pregunta1 - Pablo David.ipynb 3/14

6/7/22, 22:18 Pregunta1 - Pablo David - Jupyter Notebook

In [7]:

sns.jointplot(data=ad_data)

Out[7]:

<seaborn.axisgrid.JointGrid at 0x2425ea24a30>

localhost:8888/notebooks/Tareas Inteligencia artificial/parcial/Pregunta1 - Pablo David.ipynb 4/14

6/7/22, 22:18 Pregunta1 - Pablo David - Jupyter Notebook

In [8]:

sns.jointplot(x='Frequency', y='Scaled sound pressure level', data=ad_data)

Out[8]:

<seaborn.axisgrid.JointGrid at 0x242599a2280>

Crear un jointplot mostrando la distribución kde de "Daily Time spent on site" vs. "Age".

localhost:8888/notebooks/Tareas Inteligencia artificial/parcial/Pregunta1 - Pablo David.ipynb 5/14

6/7/22, 22:18 Pregunta1 - Pablo David - Jupyter Notebook

In [9]:

sns.pairplot(data=ad_data)

Out[9]:

<seaborn.axisgrid.PairGrid at 0x2425ee1a280>

localhost:8888/notebooks/Tareas Inteligencia artificial/parcial/Pregunta1 - Pablo David.ipynb 6/14

6/7/22, 22:18 Pregunta1 - Pablo David - Jupyter Notebook

** Crear un jointplot de "Daily Time Spent on Site" vs. "Daily Internet Usage"**

In [10]:

sns.lmplot(x='Frequency', y='Scaled sound pressure level',data=ad_data)

Out[10]:

<seaborn.axisgrid.FacetGrid at 0x24261214eb0>

Datos de entrenamiento y de prueba

In [11]:

from sklearn.model_selection import train_test_split

In [12]:

X = ad_data[['Frequency', 'Angle of attack', 'Chord length', 'Free-stream velocity', 'Sucti

y = ad_data['Scaled sound pressure level']

localhost:8888/notebooks/Tareas Inteligencia artificial/parcial/Pregunta1 - Pablo David.ipynb 7/14

6/7/22, 22:18 Pregunta1 - Pablo David - Jupyter Notebook

In [13]:

Out[13]:

Angle of Chord Free-stream Suction side displacement

Frequency
attack length velocity thickness

0 800 0.0 0.3048 71.3 0.002663

1 1000 0.0 0.3048 71.3 0.002663

2 1250 0.0 0.3048 71.3 0.002663

3 1600 0.0 0.3048 71.3 0.002663

4 2000 0.0 0.3048 71.3 0.002663

... ... ... ... ... ...

1498 2500 15.6 0.1016 39.6 0.052849

1499 3150 15.6 0.1016 39.6 0.052849

1500 4000 15.6 0.1016 39.6 0.052849

1501 5000 15.6 0.1016 39.6 0.052849

1502 6300 15.6 0.1016 39.6 0.052849

1503 rows × 5 columns

In [14]:

Out[14]:

0 126.201

1 125.201

2 125.951

3 127.591

4 127.461

...

1498 110.264

1499 109.254

1500 106.604

1501 106.224

1502 104.204

Name: Scaled sound pressure level, Length: 1503, dtype: float64

Creación y entrenamiento del modelo 1

In [15]:

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

Regresión Lineal
localhost:8888/notebooks/Tareas Inteligencia artificial/parcial/Pregunta1 - Pablo David.ipynb 8/14
6/7/22, 22:18 Pregunta1 - Pablo David - Jupyter Notebook

** Entrene y ajuste un modelo de regresión logística con el conjunto de entrenamiento.**

In [16]:

from sklearn.linear_model import LinearRegression

In [17]:

lm=LinearRegression()

In [18]:

lm.fit(X_train,y_train)

Out[18]:

LinearRegression()

In [19]:

X_train.head()

Out[19]:

Angle of Chord Free-stream Suction side displacement

Frequency
attack length velocity thickness

820 500 8.4 0.0508 39.6 0.005662

879 2000 15.4 0.0508 71.3 0.026427

946 3150 19.7 0.0508 71.3 0.034118

862 1000 11.2 0.0508 39.6 0.015048

704 2500 12.6 0.1524 71.3 0.048316

EVALUACION DEL MODELO 1

In [20]:

print(lm.intercept_)

132.76846988060998

In [21]:

print(lm.coef_)

[-1.26290565e-03 -4.06458339e-01 -3.69221121e+01 1.02692608e-01

-1.51813495e+02]

Predicciones y Evaluaciones
** Ahora pronostique los valores para los datos de prueba.**

localhost:8888/notebooks/Tareas Inteligencia artificial/parcial/Pregunta1 - Pablo David.ipynb 9/14

6/7/22, 22:18 Pregunta1 - Pablo David - Jupyter Notebook

In [22]:

predictions = lm.predict(X_test)

Crea un reporte de clasificación para el modelo.

In [23]:

from sklearn.metrics import classification_report

In [24]:

plt.scatter(y_test, predictions)

Out[24]:

<matplotlib.collections.PathCollection at 0x2426244f580>

localhost:8888/notebooks/Tareas Inteligencia artificial/parcial/Pregunta1 - Pablo David.ipynb 10/14

6/7/22, 22:18 Pregunta1 - Pablo David - Jupyter Notebook

In [25]:

sns.displot((y_test-predictions),bins=30)

Out[25]:

<seaborn.axisgrid.FacetGrid at 0x24261705940>

Metricas de Evaluación de Regresión

In [26]:

from sklearn import metrics

In [27]:

print('MAE:', metrics.mean_absolute_error(y_test, predictions))

print('MSE:', metrics.mean_squared_error(y_test, predictions))
print('RMSE:', np.sqrt(metrics.mean_squared_error(y_test, predictions)))

MAE: 3.6747310654156187

MSE: 22.395946643814117

RMSE: 4.732435593202946

Creación y entrenamiento de modelo 2

In [28]:

X_train2, X_test2, y_train2, y_test2 = train_test_split(X,y,test_size=0.30,random_state=101

modeloLineal2 = LinearRegression()
modeloLineal2.fit(X_train2,y_train2)

Out[28]:

LinearRegression()

localhost:8888/notebooks/Tareas Inteligencia artificial/parcial/Pregunta1 - Pablo David.ipynb 11/14

6/7/22, 22:18 Pregunta1 - Pablo David - Jupyter Notebook

EVALUACION DEL MODELO 2

In [29]:

print("Interceptor: ",modeloLineal2.intercept_)

Interceptor: 132.9105746266391

In [30]:

print("Coeficientes:",modeloLineal2.coef_)

Coeficientes: [-1.20820533e-03 -4.21277489e-01 -3.59496141e+01 9.33410044e-

02

-1.47089444e+02]

PREDICCIONES DEL MODELO

In [31]:

predicciones2 = modeloLineal2.predict(X_test2)

In [32]:

plt.scatter(y_test2,predicciones2)

Out[32]:

<matplotlib.collections.PathCollection at 0x2426255aaf0>

localhost:8888/notebooks/Tareas Inteligencia artificial/parcial/Pregunta1 - Pablo David.ipynb 12/14

6/7/22, 22:18 Pregunta1 - Pablo David - Jupyter Notebook

In [33]:

sns.displot((y_test2-predicciones2),bins=30)

Out[33]:

<seaborn.axisgrid.FacetGrid at 0x242624cb640>

Metricas de Evaluación de Regresión 2

In [34]:

print('MAE:', metrics.mean_absolute_error(y_test2, predicciones2))

print('MSE:', metrics.mean_squared_error(y_test2, predicciones2))
print('RMSE:', np.sqrt(metrics.mean_squared_error(y_test2, predicciones2)))

MAE: 3.510346177232778

MSE: 21.213057157693157

RMSE: 4.605763471748539

Si se desea reducir las métricas de evaluación de errores, es necesario comparar y revisar el modelo 2 donde
el valor resultante de MAE, MSE, RMSE son de menor valor que el modelo 1, por lo tanto podemos afirmar que
el Modelo 2 es mejor que el Modelo 1.

localhost:8888/notebooks/Tareas Inteligencia artificial/parcial/Pregunta1 - Pablo David.ipynb 13/14

6/7/22, 22:18 Pregunta1 - Pablo David - Jupyter Notebook

¡Buen trabajo!

localhost:8888/notebooks/Tareas Inteligencia artificial/parcial/Pregunta1 - Pablo David.ipynb 14/14