• Ir al contenido principal
  • Skip to secondary menu
  • Ir a la barra lateral primaria
  • Ir al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Noticias
    • Opinión
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Boletín
  • Contacto
  • Acerca de Analytics Lane
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • GearBest
      • GeekBuying
      • JoyBuy

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Criptografía
  • Python
  • Matlab
  • R
  • Julia
  • JavaScript
  • Herramientas
  • Opinión
  • Noticias

Regresión lineal en JavaScript con ml.js

febrero 1, 2019 Por Daniel Rodríguez 1 comentario

Businessman

JavaScript es uno de los lenguajes más populares actualmente. Esto se puede observar en el ranking de la encuesta anual que realiza a los desarrolladores Stack Overflow. En 2018, por sexto año consecutivo, JavaScript se ha situado como el lenguaje más popular. Dada su popularidad no es de extrañar que existan múltiples librerías para el desarrollo de modelos de aprendizaje automático, como se puede ven en la publicación 10 librerías para machine learning en JavaScript. Una de las librerías de las librerías que más modelo de aprendizaje automático implementa en JavaScript es ml.js. En esta entrada se va a mostrar como implementar modelos de Regresión lineal en JavaScript con ml.js.

Instalación de la librería ml.js

ml.js se puede utilizar tanto en proyectos web como en Node.js. Para incluirla en una página web simplemente se ha de incluir la siguiente línea

<script src="https://www.lactame.com/lib/ml/3.3.0/ml.min.js"></script>

Por otro lado en un proyecto Node.js se ha de instalar en paquete con el comando de terminal.

npm install ml

Posteriormente se ha de cargar en el proyecto utilizando la siguiente línea de código:

const ML = require('ml');

Los modelos de Regresión lineal en JavaScript con ml.js

La regresión lineal es uno de los primeros modelos que se estudian en aprendizaje automático. Ya que es un modelo fácil de entender y que sirve para resolver una gran cantidad de problemas. Además, es una buena introducción con el que es posible sentar las bases de otros modelos más complejos como puede ser la regresión logística. La ecuación básica que describe estos modelos es

y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \ldots + \beta_n x_n = \sum_{i=0}^n \beta_i x_i

donde y es la variable dependiente u objetivo, \beta_i son los parámetros del modelo y x_i las variables explicativas.

ml.js implementa varios constructores con los que se pueden crear un modelo de regresión, entre los que se pueden destacar:

  • ML.SimpleLinearRegression: implementa la regresión lineal simple
  • ML.MultivariateLinearRegression: implementa la regresión polinómica

La regresión lineal simple

La regresión lineal simple es el modelo más básico de regresión. En este caso solamente se dispone de una variable explicativa. La implementación de este tipo de modelos se puede llevar a cabo en JavaScript con el constructor ML.SimpleLinearRegression. En la construcción del objeto solamente se han de indicar dos vectores con la variable explicativa y la dependiente. Esto es lo que se muestra en el siguiente ejemplo.

const ML = require('ml');

// Define features
var x = new Array(100);
var y = new Array(100);

for (var i = 0; i < 100; ++i){
    x[i] = (i - 50) / 50;
    y[i] = 2 * x[i] + 3 + 0.25 * (Math.random() - 0.5);
}

// Create a model
const regression = new ML.SimpleLinearRegression(x, y);

// Get results
console.log(regression.predict(0));
console.log(regression.computeX(0));
console.log(regression);
2.996928895134273
-1.4764307665291265
SimpleLinearRegression {
slope: 2.0298472255354145,
intercept: 2.996928895134273,
coefficients: [ 2.996928895134273, 2.0298472255354145 ] }

En el ejemplo se puede ver que como las predicciones se pueden realizar mediante el método predict(). Además de ello es posible obtener el valor de la explicativa a partir de una predicción. Finalmente, si se imprime el objeto por pantalla es posible ver los parámetros del modelo.

La regresión lineal múltiple

La regresión lineal múltiple ofrece más grados de libertad, con lo que es posible crear modelos más complejos. En ml.js el constructor que se puede utilizar para crear estos modelos es ML.MultivariateLinearRegression. Al igual que en el caso anterior para la construcción del objeto se ha de indicar solamente las variables explicativas y la dependiente. Un ejemplo se puede ver en siguiente trozo de código.

const ML = require('ml');

// Create features
var x = [
    [0, 0],
    [1, 2],
    [2, 3],
    [3, 4]
];

var y = [];

for (var i = 0; i < 4; ++i) {
    y[i] = [2 * x[i][0] + 1 * x[i][1] + 2];
}

// Create a model
const mlr = new ML.MultivariateLinearRegression(x, y);

// Get results
console.log(mlr.predict([3, 3]));
console.log(mlr);
[ 11.000000000000004 ]
MultivariateLinearRegression {
statistics: true,
weights:
[ [ 2.0000000000000036 ],
[ 0.9999999999999964 ],
[ 2.0000000000000036 ] ],
inputs: 2,
outputs: 1,
intercept: true,
stdError: 3.552713678800501e-15,
stdErrorMatrix:
Matrix [
[ 7.362701782062837e-29,
-5.469435609532392e-29,
1.2621774483536279e-29 ],
[ -5.469435609532391e-29,
4.20725816117876e-29,
-1.2621774483536253e-29 ],
[ 1.2621774483536276e-29,
-1.2621774483536248e-29,
1.26217744835362e-29 ],
rows: 3,
columns: 3 ],
stdErrors:
[ 8.580618731806487e-15,
6.486338074120682e-15,
3.5527136788005025e-15 ],
tStats: [ 233083424693657.4, 154170194117666.47, 562949953421312.8 ] }

Al igual que el la regresión lineal simple se dispone el objeto dispone del método predict() para llevar a cabo las predicciones.

El constructor tiene una peculiaridad. En el caso de que se indique más de una variable dependiente se creará un modelo para cada una. Algo que se puede apreciar en el siguiente ejemplo.

const ML = require('ml');

// Create features
var x = [
    [0, 0],
    [1, 2],
    [2, 3],
    [3, 4]
];

var y = [];

for (var i = 0; i < 4; ++i) {
    y[i] = [2 * x[i][0] + 1 * x[i][1] + 2, 1 * x[i][0] + 3 * x[i][1] + 1, 3 * x[i][0] + 2 * x[i][1] + 0];
}

const mlr = new ML.MultivariateLinearRegression(x, y);

console.log(mlr.predict([3, 3]));
[ 11.000000000000004, 12.999999999999996, 14.999999999999998 ]

Conclusiones

En esta entrada se ha visto cómo implementar modelo de regresión lineal en JavaScript con la librea ml.js. Aunque solamente se ha visto la regresión lineal simple y múltiple en la librería existe más constructores que implementan diferentes modelos de regresión.

Imágenes: Pixabay (Gerd Altmann)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 1

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Contenido relacionado

Archivado en:JavaScript Etiquetado con:Machine learning, node

Interacciones con los lectores

Comentarios

  1. Juan dice

    septiembre 29, 2020 en 5:31 pm

    Impecable, sin palabras. No tenia idea de que podíamos aplicarlo en JS y ahora estoy recontra emocionado.

    Responder

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Publicidad


Barra lateral primaria

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

¡Síguenos en redes sociales!

  • facebook
  • github
  • telegram
  • pinterest
  • rss
  • tumblr
  • twitter
  • youtube

Publicidad

Tiendas afiliadas

Ayúdanos realizando tus compras sin coste adicional con los enlaces de la tienda. ¡Gracias!

Entradas recientes

Usar dispositivos USB en VirtualBox

enero 15, 2021 Por Daniel Rodríguez Dejar un comentario

Eliminar elementos en matrices de Matlab

enero 13, 2021 Por Daniel Rodríguez Dejar un comentario

NumPy

NumPy: Crear matrices vacías en NumPy y adjuntar filas o columnas

enero 11, 2021 Por Daniel Rodríguez Dejar un comentario

Publicidad

Es tendencia

  • Seleccionar filas y columnas en Pandas con iloc y loc bajo Python
  • ¿Cómo eliminar columnas y filas en un dataframe pandas? bajo Python
  • Cómo leer y escribir archivos en Python bajo Python
  • Codificación JSON Archivos JSON con Python: lectura y escritura bajo Python
  • Unir y combinar dataframes con pandas en Python bajo Python

Publicidad

Lo mejor valorado

5 (3)

Ordenar una matriz en Matlab en base a una fila o columna

5 (3)

Automatizar el análisis de datos con Pandas-Profiling

5 (5)

Diferencias entre var y let en JavaScript

5 (6)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

5 (3)

Unir y combinar dataframes con pandas en Python

Publicidad

Comentarios recientes

  • Daniel Rodríguez en Calculadora de probabilidades de ganar a la lotería
  • abel en Calculadora de probabilidades de ganar a la lotería
  • David Arias en Diferencias entre regresión y clasificación en aprendizaje automático
  • Juan Aguilar en Archivos JSON con Python: lectura y escritura
  • Camilo en Contar palabras en una celda Excel

Publicidad

Footer

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Noticias
  • Opinión

Programación

  • JavaScript
  • Julia
  • Matlab
  • Python
  • R

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Lo más popular
  • Tienda

Tiendas Afiliadas

  • AliExpress
  • Amazon
  • BangGood
  • GearBest
  • Geekbuying
  • JoyBuy

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Tiendas afiliadas

Ayúdanos realizando tus compras sin coste adicional con los enlaces de la tienda. ¡Gracias!

Amazon

2018-2020 Analytics Lane · Términos y condiciones · Política de Cookies · Política de Privacidad · Herramientas de privacidad · Contacto