SernaSerna_JoseLuis_Ejercicio_1 - Jose SernaS

Vista previa del material en texto

1 
 
Universidad de Guadalajara 
Centro Universitario de Ciencias Exactas e ingenierías 
 
Seminario de Solución de Problemas de Inteligencia 
Artificial (I7039) 
Sección: D04 
Maestro: José de Jesús Hernández Barragán 
Alumno: José Luis Serna Serna 
Código: 218292327 
Ejercicio 1 
23/04/2021 
2 
 
Contenido 
Objetivo. ....................................................................................................................................... 2 
Resultados: .................................................................................................................................. 3 
Algoritmo Hill Climbing Adaptativo ......................................................................................... 3 
Data_lineal_1. ...................................................................................................................... 3 
Data_lineal_2. ...................................................................................................................... 4 
Data_lineal_3. ...................................................................................................................... 6 
Algoritmo Hill Climbing Mutación Aleatoria. .......................................................................... 7 
Data_lineal_1. ...................................................................................................................... 7 
Data_lineal_2. ...................................................................................................................... 9 
Data_lineal_3. .................................................................................................................... 10 
Conclusión. ................................................................................................................................ 12 
 
 
Objetivo. 
El objetivo de la presente practica es utilizar por lo menos dos algoritmos de optimización 
vistos en clase para optimizar los parámetros de un modelo de regresión lineal utilizando 
los datos de los archivos adjuntos: 
data_lineal_1.csv 
data_lineal_2.csv 
data_lineal_3.csv 
En esta ocasión decidí utilizar los algoritmos de optimización Hill Climbing Adaptativo y 
Hill Climbing de Mutación Aleatoria. 
 
 
 
 
 
 
 
3 
 
Resultados: 
Algoritmo Hill Climbing Adaptativo 
Data_lineal_1. 
Mínimos globales y coeficiente de regresión. 
 
Gráfica de Convergencia. 
 
 
 
 
 
 
 
 
4 
 
Gráfica de regresión. 
 
 
Data_lineal_2. 
Mínimos globales y coeficiente de regresión. 
 
 
 
 
 
 
 
 
5 
 
Gráfica de convergencia. 
 
Gráfica de regresión. 
 
 
6 
 
Data_lineal_3. 
Mínimos globales y coeficiente de regresión. 
 
Gráfica de convergencia. 
 
 
 
 
 
 
 
 
 
7 
 
Gráfica de regresión. 
 
Algoritmo Hill Climbing Mutación Aleatoria. 
Data_lineal_1. 
Mínimos globales y coeficiente de regresión. 
 
 
 
 
 
 
 
 
8 
 
Gráfica de convergencia. 
 
Gráfica de regresión. 
 
9 
 
Data_lineal_2. 
Mínimos globales y coeficiente de regresión. 
 
Gráfica de convergencia. 
 
 
 
 
 
 
 
 
10 
 
Gráfica de regresión. 
 
Data_lineal_3. 
Mínimos globales y coeficiente de regresión. 
 
 
 
 
 
 
 
 
 
11 
 
Gráfica de convergencia. 
 
Gráfica de regresión. 
 
12 
 
Conclusión. 
Esta actividad fue muy interesante ya que pude realizar una fusión de algoritmos de 
optimización con el método de regresión lineal, pude ver una aplicación muy práctica de lo 
útil que resulta utilizar algoritmos de optimización para encontrar los valores iniciales de 
w0 y w1 utilizados para la regresión lineal, para así encontrar el coeficiente de regresión, 
ya que de otra manera sería muy difícil dar con esos valores. 
En esta actividad pude constatar la eficacia del método de regresión lineal, fue muy 
interesante ver como la recta se fue aproximando a los datos, con eso pude constatar la 
importancia que tienen las gráficas para visualizar los datos de una mejor manera, ya que 
con la gráfica de convergencia vimos cómo fue disminuyendo el error y con la gráfica de 
la recta se puede ver como inicia la recta lejos de los datos y como se aproxima después 
cerca de todos estos. 
 
Analizando el comportamiento de la gráfica de regresión pude ver que los algoritmos de 
optimización de Hill Climbing tuvieron un mejor comportamiento con los datos del 
data_lineal_1 principalmente y en segundo lugar los del data_lineal_3, se puede ver en el 
comportamiento de la convergencia y la cercanía de la línea con los datos, así como en el 
coeficiente de regresión, en el data_lineal_2 tuvieron un poco mas de problema para 
encontrar el mejor valor de coeficiente de regresión, sería cuestión de realizar 
modificaciones que ayuden a mejorar el coeficiente de regresión, por ejemplo podría ser 
mediante los mínimos, sería interesante ver también el comportamiento de los otros 
métodos de optimización para encontrar el coeficiente de regresión 
 
Como observación puedo decir que las herramientas que proporciona Matlab facilitan de 
gran manera la realización de algoritmos y cálculos con funciones, también es así para la 
realización de gráficas. 
 
En general me considero que esta actividad me dejo un saldo positivo en cuento a 
conocimientos sobre el comportamiento y mejora de algoritmos, además de la teoría de 
los algoritmos, en la utilización de las herramientas y funciones que ofrece Matlab, sin 
duda será de gran ayuda lo aprendido en esta práctica para la realización de prácticas 
posteriores.