In [3]:
import numpy as np
# Las features son las predicciones de la última encuesta de Cifra, Equipos, Radar y Factum, en ese orden
encuestas_X=np.array([[50.9,31.8,12.5,2.7,52.5,31.6,11.1,2.6,54.0,29.0,08.0,3.0,54.5,31.0,12.0,2.5],
[45.0,31.0,12.0,2.0,44.0,30.0,10.0,2.0,45.0,29.0,14.0,3.0,46.0,34.0,10.0,3.0]])
# Resultados reales en 2004 y 2009 para cada partido
resultados_frente=np.array([50.54,48])
resultados_blancos=np.array([34.3,29])
resultados_colorados=np.array([10.36,17])
resultados_independientes=np.array([1.84,2.5])
from sklearn import linear_model
# Predicciones de las encuestas para 2014
encuestas_2014=np.array([43,32,18,3.3,43.6,33.4,15.1,3.1,45.6,31.3,15.2,3.3,44,34,15,3])
# Usando regresión lineal
print ("Predicciones utilizando Regresión Lineal")
clf=linear_model.LinearRegression()
clf.fit(encuestas_X,resultados_frente)
print "Predicción para el Frente:",clf.predict(encuestas_2014)
clf.fit(encuestas_X,resultados_blancos)
print "Predicción para los blancos:",clf.predict(encuestas_2014)
clf.fit(encuestas_X,resultados_colorados)
print "Predicción para los colorados:",clf.predict(encuestas_2014)
clf.fit(encuestas_X,resultados_independientes)
print "Predicción para el PI:",clf.predict(encuestas_2014)
print "Predicciones utilizando RegressRidge"
# Utilizo un alpha alto porque las features están correlacionadas
clf=linear_model.Ridge(alpha=100.0)
clf.fit(encuestas_X,resultados_frente)
print "Predicción para el Frente:",clf.predict(encuestas_2014)
clf.fit(encuestas_X,resultados_blancos)
print "Predicción para los blancos:",clf.predict(encuestas_2014)
clf.fit(encuestas_X,resultados_colorados)
print "Predicción para los colorados:",clf.predict(encuestas_2014)
clf.fit(encuestas_X,resultados_independientes)
print "Predicción para el PI:",clf.predict(encuestas_2014)