5: Predecir respuestas

Última actualización
Guardar como PDF

Page ID: 149837

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

La PREDICCIÓN es típicamente el objetivo principal de la mayoría de los proyectos de modelado Es decir, el desarrollador del modelo quiere usar el modelo para estimar o predecir la respuesta del sistema si se operó con valores de entrada que nunca estuvieron realmente disponibles en ninguno de los sistemas medidos. Por ejemplo, podríamos querer usar el modelo que desarrollamos usando el conjunto de datos Int2000 para predecir el rendimiento de un nuevo procesador con una frecuencia de reloj, un tamaño de caché o alguna otra combinación de parámetros que no exista en el conjunto de datos. Al insertar esta nueva combinación de valores de parámetros en el modelo, podemos calcular el rendimiento esperado del nuevo procesador al ejecutar ese programa de referencia.

Debido a que el modelo se desarrolló utilizando datos medidos, los valores de los coeficientes necesariamente son solo estimaciones. En consecuencia, cualquier predicción que hagamos con el modelo también son solo estimaciones. La función summary () produce estadísticas útiles sobre la calidad del modelo de regresión, como los valores R ² y R ² ajustados. Estas estadísticas ofrecen información sobre qué tan bien explica el modelo la variación en los datos. Sin embargo, el mejor indicador de la calidad de cualquier modelo de regresión es qué tan bien predice los valores de salida. El entorno R proporciona algunas funciones poderosas que nos ayudan a predecir nuevos valores a partir de un modelo dado y evaluar la calidad de estas predicciones.