Perfilado de sección

  • A diferencia de la clasificación, donde predecimos etiquetas o categorías discretas, esta semana estudiaremos los algoritmos de regresión: lineal, polinomial y logística. Estos algoritmos nos permiten predecir variables numéricas continuas y establecer tendencias a futuro.

    Comprenderemos la regresión lineal como la base estadística del aprendizaje automático. Luego, ampliaremos esta lógica con la regresión polinomial para mapear relaciones no lineales, un paso crucial cuando los fenómenos estudiados (como el crecimiento de poblaciones en ecosistemas sintéticos) poseen fluctuaciones complejas.

    Curiosamente, analizaremos cómo la regresión logística utiliza una función sigmoide para predecir probabilidades y, por ende, resolver problemas de clasificación binaria. Esta función matemática es el corazón de las redes neuronales modernas.

    •  Regresión Múltiple explicada con Python paso a paso

    • Actividad (Tarea):

      Descarga el conjunto de datos de Precios de Viviendas: Boston Housing Dataset (CSV). En Google Colab, entrena un modelo de Regresión Lineal utilizando scikit-learn para predecir el valor mediano de las casas (medv) en función del número de habitaciones (rm) y el índice de criminalidad (crim). Calcula y muestra en pantalla el Error Cuadrático Medio (MSE) de tu predicción.

    • Foro:

      ¿Por qué intentar ajustar una regresión polinomial de un grado demasiado alto (ej. grado 20) a nuestros datos de entrenamiento puede resultar contraproducente para el modelo a largo plazo?