Regresión

Predecir un valor numérico continuo a partir de un conjunto de variables.

ÁreaAprendizaje Supervisado
DificultadPrincipiante
Tiempo de aprendizaje3-4 semanas

¿Qué puedes lograr dominando este tema?

  • Predecir cantidades continuas como precios, ventas o tiempos de espera
  • Interpretar coeficientes para entender qué variables más influyen en el resultado
  • Diagnosticar cuándo un modelo lineal es insuficiente y se necesita algo más flexible

Descripción

La regresión modela la relación entre variables predictoras y un resultado numérico continuo. Desde la regresión lineal simple hasta variantes regularizadas (Ridge, Lasso) y no lineales (árboles, boosting), es probablemente la tarea más común y mejor entendida del machine learning supervisado.

Casos de uso

  • Predicción de precios de propiedades o productos
  • Pronóstico de demanda y ventas
  • Estimación de tiempos de entrega o duración de procesos
  • Modelos de riesgo con salida numérica (score crediticio)

Ejemplo práctico

Ejemplo prácticopython
from sklearn.linear_model import LinearRegression

model = LinearRegression()
model.fit(X_train, y_train)
print("Coeficientes:", model.coef_)
print("R²:", model.score(X_test, y_test))

Ventajas y limitaciones

Ventajas

  • Modelos simples (lineales) son altamente interpretables
  • Base conceptual de técnicas mucho más avanzadas (redes neuronales incluidas)
  • Aplicable a una enorme variedad de problemas de negocio

Limitaciones

  • La regresión lineal asume relaciones lineales que rara vez son exactas
  • Sensible a outliers y a variables correlacionadas entre sí (multicolinealidad)

Herramientas relacionadas

Librerías y plataformas más comunes para practicar este tema.

  • scikit-learn
  • Statsmodels
  • XGBoost

Temas relacionados

Fichas de herramientas