Integrantes:

Ian Denis Marini

Cristhian Sebastian Sosa

Simon Azul Sanchez Vottero

Reducción de Dimensionalidad con PCA: El PCA reduce la dimensión de los datos manteniendo la mayor información posible, transformándolos en un sistema de coordenadas basado en autovalores y autovectores. Las componentes principales se ordenan por su variabilidad, descartando las de menor información. Es útil para preprocesamiento y evitar sobreajuste.

Modelos de Regresión Lineal y Logística:

• Regresión Lineal: Predice valores continuos modelando la relación entre una variable dependiente y una o más independientes usando la ecuación Y=a+bX+ϵY = a + bX + \epsilonY=a+bX+ϵ.

• Regresión Logística: Predice la probabilidad de eventos binarios (sí/no) con la función logística, ideal para clasificación (ej., detección de spam).

Algoritmos de Clustering y Clasificación:

• Clustering: Agrupa datos sin etiquetas, usando métodos como K-means (grupos por proximidad) y DBSCAN (por densidad).

• Clasificación: Asigna etiquetas usando modelos como:

  • Árboles de decisión: Clasifican según características.

  • SVM: Encuentra hiperplanos separadores.

  • Redes neuronales: Modelan patrones complejos.