Calculadora de valores predichos
Contenidos
Tengo un conjunto de datos de ventas por hora de 3 años (de 9 a 6 de la tarde, sólo de lunes a sábado) y me gustaría hacer predicciones para un día o una semana antes con una regresión lineal. El conjunto de datos ha excluido todas las fiestas nacionales, ya que la tienda no está abierta. Estos datos de series temporales presentan fuertes estacionalidades intradiarias e intersemanales y muestran un pico elevado en torno a las fiestas nacionales. Así que extraje las siguientes variables para la ingeniería de características:
(1) Quería utilizar predict() con un conjunto de datos futuros de una semana por delante como entrada para el argumento «newdata». Pero mi mente está torcida ya que no estoy seguro de cómo hacer con la variable de tendencia. ¿Debo ejecutar una predicción adicional sobre la tendencia para la semana siguiente y añadir esta información al conjunto de datos futuros para predecir las ventas?
(2) ¿Cómo sugeriría generar los datos de una semana de retraso teniendo en cuenta los valores perdidos causados por las vacaciones? En mi caso, una tienda puede abrir sólo dos días en la semana de Navidad, por lo que la variable de retraso de una semana para la semana siguiente contendrá valores perdidos para los días en que la tienda no esté abierta.
Regresión del predictor
Los lectores competentes hacen predicciones de forma natural, sin siquiera saberlo. Predicen de qué va a tratar un libro basándose en el título, predicen por qué los personajes actúan de una manera determinada y adivinan lo que va a ocurrir a continuación cuando llegan al final de un capítulo. Es importante que los profesores ayuden a enseñar a los alumnos más jóvenes a utilizar también esta misma estrategia de comprensión lectora. Pero hace falta una enseñanza explícita para que los alumnos empiecen a hacerlo en piloto automático. La predicción ayuda a mantener la mente del lector comprometida y activada mientras trabaja con el texto. Cuando los alumnos predicen activamente mientras leen, se mantienen conectados al texto y pueden reflexionar, perfeccionar y revisar sus predicciones. Veamos cómo modelar, practicar y evaluar esta estrategia de comprensión lectora con tus alumnos.
¿Quieres una forma súper atractiva e interactiva de hacer que los alumnos practiquen la predicción? Las Guías Interactivas LINKtivity® son EXACTAMENTE lo que usted necesita para hacer el aprendizaje divertido y accesible para todos! Obtenga acceso a la LINKtivity® de Predicción (¡más de 60 otras y contando!) dentro de LINKtivity® Learning – ¡un pase de acceso a toda nuestra bóveda de LINKtividades!
Predicción de regresión lineal
Hay varias actividades que los profesores pueden incorporar dentro de su aula y que permiten a los alumnos hacer predicciones de forma eficaz. Para introducir esta estrategia de lectura, los profesores pueden repartir fotografías de un periódico o una revista. Los alumnos harán una predicción con las pruebas de la fotografía, sus conocimientos previos o ejemplos de sus propias experiencias. Los profesores también pueden crear un cubo de predicciones. Cuando se presenta una nueva historia, los alumnos hacen primero un recorrido con imágenes y luego hacen una predicción basada en el título, las ilustraciones y los diagramas. Esto permite a los alumnos utilizar pistas y pruebas del texto para hacer predicciones precisas. A continuación, los niños escriben sus predicciones en un papelito y las meten en el cubo. A continuación, los alumnos leen el cuento en sus pequeños grupos de lectura. Una vez terminada la historia, pueden compartir sus predicciones y hacer conexiones con las otras respuestas que se compartieron.
Los alumnos pueden hacer predicciones basadas en patrones. Al observar un problema o un ejemplo, los alumnos serán capaces de reconocer diferentes diseños/esquemas a través de la repetición y la observación. A partir de esta información, los alumnos podrán hacer una predicción con los datos que hayan recogido para confirmar su respuesta mientras justifican su razonamiento.
Sklearn predice
Scikit-Learn es una de las bibliotecas más útiles de aprendizaje automático (ML) en Python. Incluye muchos algoritmos supervisados y no supervisados que pueden utilizarse para analizar conjuntos de datos y hacer predicciones sobre los mismos. Más información sobre scikit-learn.
El valor de Shapley es un concepto de la teoría de juegos cooperativos, y puede utilizarse para ayudar a explicar el resultado de cualquier modelo de aprendizaje automático. En la práctica, la regresión del valor de Shapley intenta resolver una debilidad en la fiabilidad de la regresión lineal cuando se predicen variables que tienen una correlación moderada o alta.
En este post, encontraremos los valores de Shapley para cada variable en una regresión con el fin de tratar de encontrar el peso correcto para ella. La suma de todos los valores de Shapley debe ser la diferencia entre las predicciones y el valor medio del modelo.
En este conjunto de ejemplos, los valores de Shap se aplican a los modelos de regresión múltiple. El árbol de decisión, el bosque aleatorio y la red neuronal se muestran en bloques de código que comparten bibliotecas y clases comunes:
En este ejemplo, la clase estimadora BayesianRidge se utiliza para predecir nuevos valores en un modelo de regresión que carece de datos suficientes. Se formula una regresión lineal utilizando una distribución probable de valores en ausencia de valores reales. La salida, la respuesta ‘y’, se deriva de la distribución probable en lugar de los valores reales.