Jhan - Regularizacion validacion - done

datadiversitylab · Sep 21, 2023 · 910a7f4 · 910a7f4
1 parent 16d1c9e
commit 910a7f4
Show file tree

Hide file tree

Showing 10 changed files with 15 additions and 12 deletions.
diff --git a/06-lmsreg.Rmd b/06-lmsreg.Rmd
@@ -117,7 +117,9 @@ A diferencia de $C_{p}$, AIC y BIC que toman el mejor modelo que tengan en *meno
 
 Otra alternativa para los métodos que vimos anteriormente, donde podemos estimar directamente el error de prueba es usando un conjunto de validación o la validación cruzada. Con cualquiera de estos dos métodos podemos calcular el error para cada uno de los modelos, y luego seleccionar el mejor modelo para el cual el estimado para el error de prueba es el más pequeño. 
 
-Cuando se hace el conjunto de validación o la validación cruzada,  
+Cuando se hace el conjunto de validación o la validación cruzada se tienen dos ventajas a comparación de $C_{p}$, $AIC$, $BIC$ o $R^{2}$ ajustado, ambos tipos de validación calculan directamente el error de pruba y no requiere estimar el error de varianza, $\sigma^{2}$. Del mismo modo, la validación cruzada puede ser usada para un mayor número de tareas de selecció de modelo, incluso cuando es difícil de estimar los *grados de libertad* o el error de varianza, $\sigma^{2}$.
+
+Para llevar a acabo ambos tipos de validación necesitamos que cada uno de los procedimientos retorne a una secuencia de modelos $M_{k}$ para modelos con un tamaño de $k = 0, 1, 2...$. Nuestro trabajo es seleccionar un $\hat{k}$. Una vez seleccioando, vamos a retornar a $M_{k}$. Necesitamos computar el error de conjunto de validación o el error de validación cruzada para cada modelo $M_{k}$ que se encuentra bajo consideració, y luego, selecionar el *k* para cada estimado donde el error de prueba sea el más pequeño.
 
 ## Métodos de contracción (Cristian)
 

diff --git a/docs/404.html b/docs/404.html
@@ -23,7 +23,7 @@
 <meta name="author" content="Jhan C. Salazar y Cristian Román-Palacios" />
 
 
-<meta name="date" content="2023-09-14" />
+<meta name="date" content="2023-09-21" />
 
   <meta name="viewport" content="width=device-width, initial-scale=1" />
   <meta name="apple-mobile-web-app-capable" content="yes" />

diff --git a/docs/capítulo-3-regresiones-lineales.html b/docs/capítulo-3-regresiones-lineales.html
@@ -23,7 +23,7 @@
 <meta name="author" content="Jhan C. Salazar y Cristian Román-Palacios" />
 
 
-<meta name="date" content="2023-09-14" />
+<meta name="date" content="2023-09-21" />
 
   <meta name="viewport" content="width=device-width, initial-scale=1" />
   <meta name="apple-mobile-web-app-capable" content="yes" />

diff --git a/docs/clasificaciones.html b/docs/clasificaciones.html
@@ -23,7 +23,7 @@
 <meta name="author" content="Jhan C. Salazar y Cristian Román-Palacios" />
 
 
-<meta name="date" content="2023-09-14" />
+<meta name="date" content="2023-09-21" />
 
   <meta name="viewport" content="width=device-width, initial-scale=1" />
   <meta name="apple-mobile-web-app-capable" content="yes" />

diff --git a/docs/index.html b/docs/index.html
@@ -23,7 +23,7 @@
 <meta name="author" content="Jhan C. Salazar y Cristian Román-Palacios" />
 
 
-<meta name="date" content="2023-09-14" />
+<meta name="date" content="2023-09-21" />
 
   <meta name="viewport" content="width=device-width, initial-scale=1" />
   <meta name="apple-mobile-web-app-capable" content="yes" />
@@ -244,7 +244,7 @@ <h1>
 <div id="header">
 <h1 class="title">Introducción al uso de machine learning en biología</h1>
 <p class="author"><em>Jhan C. Salazar y Cristian Román-Palacios</em></p>
-<p class="date"><em>2023-09-14</em></p>
+<p class="date"><em>2023-09-21</em></p>
 </div>
 <div id="una-introducción-breve-a-machine-learning" class="section level1 hasAnchor" number="1">
 <h1><span class="header-section-number">Capitulo 1</span> Una introducción breve a Machine Learning<a href="index.html#una-introducción-breve-a-machine-learning" class="anchor-section" aria-label="Anchor link to header"></a></h1>

diff --git a/docs/métodos-basados-en-árboles-jhan.html b/docs/métodos-basados-en-árboles-jhan.html
@@ -23,7 +23,7 @@
 <meta name="author" content="Jhan C. Salazar y Cristian Román-Palacios" />
 
 
-<meta name="date" content="2023-09-14" />
+<meta name="date" content="2023-09-21" />
 
   <meta name="viewport" content="width=device-width, initial-scale=1" />
   <meta name="apple-mobile-web-app-capable" content="yes" />

diff --git a/docs/métodos-de-remuestreo.html b/docs/métodos-de-remuestreo.html
@@ -23,7 +23,7 @@
 <meta name="author" content="Jhan C. Salazar y Cristian Román-Palacios" />
 
 
-<meta name="date" content="2023-09-14" />
+<meta name="date" content="2023-09-21" />
 
   <meta name="viewport" content="width=device-width, initial-scale=1" />
   <meta name="apple-mobile-web-app-capable" content="yes" />

diff --git a/docs/qué-es-machine-learning.html b/docs/qué-es-machine-learning.html
@@ -23,7 +23,7 @@
 <meta name="author" content="Jhan C. Salazar y Cristian Román-Palacios" />
 
 
-<meta name="date" content="2023-09-14" />
+<meta name="date" content="2023-09-21" />
 
   <meta name="viewport" content="width=device-width, initial-scale=1" />
   <meta name="apple-mobile-web-app-capable" content="yes" />

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
@@ -23,7 +23,7 @@
 <meta name="author" content="Jhan C. Salazar y Cristian Román-Palacios" />
 
 
-<meta name="date" content="2023-09-14" />
+<meta name="date" content="2023-09-21" />
 
   <meta name="viewport" content="width=device-width, initial-scale=1" />
   <meta name="apple-mobile-web-app-capable" content="yes" />
@@ -348,7 +348,8 @@ <h5><span class="header-section-number">6.1.3.1.4</span> <span class="math inlin
 <div id="validación-y-validación-cruzada" class="section level4 hasAnchor" number="6.1.3.2">
 <h4><span class="header-section-number">6.1.3.2</span> Validación y validación cruzada<a href="selección-de-modelos-lineares-y-regularización.html#validación-y-validación-cruzada" class="anchor-section" aria-label="Anchor link to header"></a></h4>
 <p>Otra alternativa para los métodos que vimos anteriormente, donde podemos estimar directamente el error de prueba es usando un conjunto de validación o la validación cruzada. Con cualquiera de estos dos métodos podemos calcular el error para cada uno de los modelos, y luego seleccionar el mejor modelo para el cual el estimado para el error de prueba es el más pequeño.</p>
-<p>Cuando se hace el conjunto de validación o la validación cruzada,</p>
+<p>Cuando se hace el conjunto de validación o la validación cruzada se tienen dos ventajas a comparación de <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, ambos tipos de validación calculan directamente el error de pruba y no requiere estimar el error de varianza, <span class="math inline">\(\sigma^{2}\)</span>. Del mismo modo, la validación cruzada puede ser usada para un mayor número de tareas de selecció de modelo, incluso cuando es difícil de estimar los <em>grados de libertad</em> o el error de varianza, <span class="math inline">\(\sigma^{2}\)</span>.</p>
+<p>Para llevar a acabo ambos tipos de validación necesitamos que cada uno de los procedimientos retorne a una secuencia de modelos <span class="math inline">\(M_{k}\)</span> para modelos con un tamaño de <span class="math inline">\(k = 0, 1, 2...\)</span>. Nuestro trabajo es seleccionar un <span class="math inline">\(\hat{k}\)</span>. Una vez seleccioando, vamos a retornar a <span class="math inline">\(M_{k}\)</span>. Necesitamos computar el error de conjunto de validación o el error de validación cruzada para cada modelo <span class="math inline">\(M_{k}\)</span> que se encuentra bajo consideració, y luego, selecionar el <em>k</em> para cada estimado donde el error de prueba sea el más pequeño.</p>
 </div>
 </div>
 </div>