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
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