Descripción del problema y base de datos analizada:

• Boston Housing Data Set.
• Características de la base de datos
  • 506 patrones con 13 Atributos (Reales, categóricas y enteras) + Salida.
  • Predicción del valor medio de viviendas de Boston.
• Metodologias usadas:
  • SVR (Support Vector Regressor)
  • Decision Tree Regressor
  • Gradient Boosting Tree Regressor

Ajuste de los modelos:

• SVR
  • Kernel (linear, rbf, poly)
  • Ajuste de parámetros: C y épsilon
• Decision Tree
  • Número de características
  • Profundidad del árbol
  • Número de ejemplos para dividir un nodo
  • Numero de ejemplos para que un nodo sea hoja
• Gradient Boosting
  • Función de pérdida (ls, lad, huber, queantile)
  • Ratio de aprendizaje
  • Número de árboles a generar
  • Profundidad de cada árbol
  • Porcentaje de elementos para entrenar cada árbol

Detalles de la metodología de entrenamiento:

• Validación cruzada con 10 particiones de datos para cada modelo.
  • Calculo de métricas en media de las 10 particiones del error medio absoluto, error medio cuadrático y r cuadrado (coeficiente de correlación) para cada modelo.
  • Cálculo de la importancia de variables para los modelos Gradient Boosting y Decision Tree Regressor.
  • Entrenamiento selectivo con las características mas idóneas.
  • Dependencia de algunas características con respecto al valor medio de las viviendas.