UNIVERSIDAD NACIONAL DE

INGENIERÍA
FACULTAD DE INGENIERÍA MECÁNICA

“Año del diálogo y reconciliación nacional”

CURSO: Inteligencia Artificial

SOLUCIONARIO: Primera practica calificada

PROFESOR: Cárdenas Lizana Paul

SECCION: “A”

ALUMNO: Fernandez Montoya Harold Código: 20141059F

2018-2
 SOLUCION PRACTICA CALIFICADA N° 1
SOLUCION 1

a)

Ojo: el valor de λ es un escalar y se puede cancelar se prueba en el ejemplo de .

b) En este caso el valor de λ no tiene incidencia en la solucion, porque al final se cancela y no

interfiere en los calculos, no afecta ni regula la funcion, solo es una constante que puede
tomar cualquier valor.
SOLUCION 2
SOLUCION N° 3

Graficando:

Figura N°1

Aplicando la función grad_descent() para encontrar el mínimo, con un valor de 𝜃 = 10 y 𝛼 =

0.01 , la rapidez de la convergencia es normal:
Pero para un 𝛼 = 0.1 vemos que diverge:

REGRESION LINEAL

Data:

Figura N°2
De acuerdo al mapa de calor de correlaciones (Figura N°3) podemos ver que las variables más
importantes son las ventas son ‘TV’ y ‘radio’ a diferencia de ‘newspaper’ que existe
demasiada dispersión de datos y no se puede modelar a una función conocida:

Figura N°3

De esta manera cancelamos el valor de ‘newspaper’ y solo tomamos en cuenta las variables
‘TV’ y ‘radio’, para los datos de ‘TV’ modelamos los datos a una función raíz cuadrada y para
los datos de ‘radio’ a una función lineal y entrenamos nuestro modelo como se muestra a
continuación:
A partir de esto usamos el Root Mean Square Error, calculamos el RMSE de nuestras
predicciones y explicamos la varianza.

Obtenemos un 𝑅𝑀𝑆𝐸 = 1.21 el mínimo logrado obtener y una varianza de 0.94, es decir que
logramos predecir el 94% de nuestros datos.