Jhan - Regularizacion

datadiversitylab · Sep 12, 2023 · 7f1e29c · 7f1e29c
1 parent a50b111
commit 7f1e29c
Show file tree

Hide file tree

Showing 3 changed files with 6 additions and 1 deletion.
diff --git a/06-lmsreg.Rmd b/06-lmsreg.Rmd
@@ -63,6 +63,10 @@ La selección hacia atrás es una alternativa eficiente para elegir el mejor sub
     b) Elegir el *mejor* entre todos los modelos $k$, a este lo llamaremos $M_{k - 1}$. En este paso, el *mejor* modelo se puede identificar porque tiene el RSS más pequeño o, equivalentemente, el $R^2$ más grande.
 3) En este último paso, seleccionamos el mejor modelos entre $M_{0},...,M_{p}$ usando validación cruzada para predecir el error, $C_{p}$, $AIC$, $BIC$ o $R^{2}$ ajustado.
 
+La selección hacia atrás buscan solamente $1 + p(p + 1)/2$ modelos, también puede ser aplicado cuando *p* es demasiado alto como para aplicar la selección del mejor subconjunto. No obstante, al igual que en la selección hacia adelante, la selección hacia atrás no garatiza encontrar el *mejor* modelo que contenga un subconjunto con *p* predictores. Uno de los requerimientos de la selección hacia atrás es que el número de muestras *n* sea mayor que el número de variables *p*.
+
+
+
 #### Selección híbrida
 
 

diff --git a/docs/search_index.json b/docs/search_index.json
diff --git a/docs/selección-de-modelos-lineares-y-regularización.html b/docs/selección-de-modelos-lineares-y-regularización.html
@@ -302,6 +302,7 @@ <h4><span class="header-section-number">6.1.2.2</span> Selección hacia atrás<a
 </ol></li>
 <li>En este último paso, seleccionamos el mejor modelos entre <span class="math inline">\(M_{0},...,M_{p}\)</span> usando validación cruzada para predecir el error, <span class="math inline">\(C_{p}\)</span>, <span class="math inline">\(AIC\)</span>, <span class="math inline">\(BIC\)</span> o <span class="math inline">\(R^{2}\)</span> ajustado.</li>
 </ol>
+<p>La selección hacia atrás buscan solamente <span class="math inline">\(1 + p(p + 1)/2\)</span> modelos, también puede ser aplicado cuando <em>p</em> es demasiado alto como para aplicar la selección del mejor subconjunto. No obstante, al igual que en la selección hacia adelante, la selección hacia atrás no garatiza encontrar el <em>mejor</em> modelo que contenga un subconjunto con <em>p</em> predictores. Uno de los requerimientos de la selección hacia atrás es que el número de muestras <em>n</em> sea mayor que el número de variables <em>p</em>.</p>
 </div>
 <div id="selección-híbrida" class="section level4 hasAnchor" number="6.1.2.3">
 <h4><span class="header-section-number">6.1.2.3</span> Selección híbrida<a href="selección-de-modelos-lineares-y-regularización.html#selección-híbrida" class="anchor-section" aria-label="Anchor link to header"></a></h4>