Cuándo utilizar un modelo de regresión lineal

Clase 5 de 18 • Curso de Regresión Lineal con Python y scikit-learn

Clase anteriorSiguiente clase

Jose Manuel Rivas Márquez

student•

3 grandes preguntas para saber cuando utilizar una regresion lineal:

¿Tengo que predecir una variable numerica? la respuesta debe ser afirmativa.
¿Las variables independientes con las que cuento son primordialmente numericas? debe ser afirmativa
Cuento con una gran cantidad de avriables categoricas? o poicas variables con muchos niveles? no es aconsejable utilizr la regresion lineal en caso de este numerals er afirmativo.

Juan R. Vergara M.

student•

👍

Thomas Gonzalez Rodrigues

student•

la razón por la que no es recomendable que usemos la regression linear cuando hay muchas categorías es la paradoja de simsom. les recomiendo este video pahttps://www.youtube.com/watch?v=ebEkn-BiW5k&tra que lo vean

Diego Jurado

student•

Muy grafico.. gracias por compartir, aclaras mucho la razon.

Julián Cárdenas

student•

Gracias bastante ilustrativa la imagen!

Jose Manuel Rivas Márquez

student•

Recomendaciones al utilizar la regresion lineal:

Para predecir variables numericas es un buen modelo de entrada, y si este no ajusta bien, cambiar a modelos mas complejos.
Reduce las variables lo ams que puedas, trata de agruparlas en grupos ams grandes de varias variables.
Evita la Multicolinealidad. variables diferentes que explican lo mismop, por ejem: peso en kg y en libras.
no predigas fuera del dominio.

Mauricio Escobar

student•

Buenas 👋 Quiero resaltar un aspecto crucial al implementar una regresión lineal: la detección temprana de la multicolinealidad. Este fenómeno puede convertirse en un aspecto que impacte negativamente a la estabilidad y precisión de nuestros modelos.

Algo importatne a aclarar es que la multicolinealidad no solo se limita a relaciones directas entre variables*( como libras y kilogramos)* también puede surgir en situaciones más sutiles donde la relación no es evidente conceptualmente. Este matiz es fundamental para una detección efectiva.

Es en este punto entra en escena el VIF (Variance Inflation Factor
), una herramienta que nos permite evaluar la intensidad de estas interrelaciones.

¿Cuándo Implementar el VIF? Según mi corta experiencia , lo mejor es hacerlo después de hacer un análisis visual de todas las variables (heatmap / pairplot) Esto nos capacita para tomar decisiones informadas sobre qué variables retener y cuáles descartar, allanando el camino hacia modelos más sólidos y confiables

Si ignoramos una potencial multicolinealidad podríamos tener un modelo con resultados poco útiles

Antonio Demarco Bonino

student•

Ejemplos de cuando utilizar una regresión lienal:

Predecir el precio de una vivienda en función del número de habitaciones: Si tienes un conjunto de datos que incluye los precios de las casas y el número de habitaciones, puedes usar regresión lineal para predecir el precio de una casa en función del número de habitaciones.
Estimar el salario en función de los años de experiencia: La regresión lineal puede ser utilizada para predecir el salario de una persona basado en su cantidad de años de experiencia laboral. Se supone que existe una relación lineal entre la experiencia y el salario.
Predecir la demanda de electricidad en función de la temperatura: En algunas industrias, la demanda de electricidad se incrementa o disminuye dependiendo de la temperatura. Usando regresión lineal, puedes predecir la demanda futura basada en las temperaturas pronosticadas.

Mario Alexander Vargas Celis

student•

Puedes utilizar un modelo de regresión lineal cuando se cumplen las siguientes condiciones o se busca alguno de estos objetivos:

✅ CUÁNDO USARLO:

1. Relación lineal entre variables

Cuando crees que hay una relación lineal (aproximadamente recta) entre la variable dependiente y una o más independientes.
Ejemplo: A más horas de estudio → mayor nota.

2. Variables numéricas

Es ideal cuando las variables de entrada (independientes) y la variable objetivo (dependiente) son numéricas continuas.

3. Pocos datos y modelo interpretable

Cuando necesitas un modelo sencillo, rápido y fácil de interpretar.
Puedes ver claramente qué variable tiene más influencia en el resultado.

4. El objetivo es predecir o explicar

Puedes usarlo tanto para:
- Predecir valores (como ingresos, temperatura, precios).
- Explicar cómo influye cada variable sobre otra.

5. No hay demasiada colinealidad

Las variables independientes no deben estar altamente correlacionadas entre sí (porque confunden al modelo).

6. Errores con distribución normal (idealmente)

Aunque no es obligatorio para predecir, si vas a hacer inferencia estadística (como tests de hipótesis), los errores (residuos) deben seguir una distribución normal.

❌ CUÁNDO NO USARLO:

Cuando la relación entre variables no es lineal.
Si tienes muchas variables categóricas y no las has convertido correctamente (one-hot encoding, etc.).
Cuando hay outliers extremos que afectan mucho la pendiente.
Si hay relaciones complejas o no lineales entre las variables → mejor usar árboles, redes neuronales, etc.

📌 Ejemplos de uso real:

CasoVariable dependienteVariables independientesPredicción de preciosPrecio de una casaTamaño, ubicación, número de habitacionesMedicinaNivel de colesterolEdad, peso, dietaNegociosVentas mensualesGasto en publicidad, precio del producto

Isaac Bryan Ascanoa Roncall

student•

Es interesante como se debe usar la regresion lineal. Pecaba de sano el usar todas las variables cuando en realidad solo se utilizan las mas importantes. Es un dato muy a tener en cuenta.

Jhon Freddy Tavera Blandon

student•

El modelo de regresión lineal es útil en varias situaciones en las que deseamos comprender y predecir la relación entre una variable dependiente y una o más variables independientes. A continuación, se presentan algunos ejemplos detallados de cuándo se puede utilizar un modelo de regresión lineal:

Predicción de precios de viviendas:

Si tenemos datos sobre características de viviendas (como el número de habitaciones, el área, la ubicación, etc.) y queremos predecir los precios de las viviendas, podemos utilizar un modelo de regresión lineal. El modelo puede aprender la relación entre las variables independientes y el precio de las viviendas, lo que nos permite hacer predicciones sobre el precio de una vivienda basándonos en sus características.

Análisis de ventas:

Si tenemos datos sobre variables como el gasto en publicidad, el tamaño del mercado y las ventas de productos, podemos utilizar un modelo de regresión lineal para analizar cómo estas variables influyen en las ventas. Podemos determinar el impacto relativo de cada variable y utilizar el modelo para predecir las ventas en diferentes escenarios.

Estimación de ingresos:

Si tenemos datos sobre características demográficas, como la edad, la educación, la experiencia laboral, etc., y queremos estimar los ingresos de las personas, un modelo de regresión lineal puede ayudarnos. El modelo puede aprender la relación entre las variables independientes y los ingresos y proporcionar estimaciones de ingresos basadas en las características de las personas.

Recomendaciones para utilizar un modelo de regresión lineal:

Verificar supuestos:

Antes de aplicar un modelo de regresión lineal, es importante verificar los supuestos del modelo, como la linealidad de la relación, la independencia de los residuos y la homocedasticidad. Si los supuestos no se cumplen, es posible que el modelo no sea apropiado y se requiera una técnica diferente.

Evaluar la calidad del ajuste:

Es importante evaluar la calidad del ajuste del modelo de regresión lineal. Esto se puede hacer mediante la evaluación de las métricas de rendimiento, como el error cuadrático medio (MSE) o el coeficiente de determinación (R²). Una buena calidad del ajuste indica que el modelo se ajusta bien a los datos y puede hacer predicciones precisas.

Considerar la interpretación de los coeficientes:

Los coeficientes de regresión en un modelo lineal tienen interpretaciones específicas.

Evaluar la calidad del ajuste:

Es importante comprender cómo afecta cada variable independiente al valor de la variable dependiente y verificar si las relaciones son lógicas y coherentes con el dominio del problema.

Explorar relaciones no lineales:

Si la relación entre las variables no parece ser lineal, se pueden explorar transformaciones de variables o técnicas de regresión no lineal para capturar mejor la relación subyacente.

Considerar variables adicionales:

Si el modelo inicial no proporciona un ajuste satisfactorio, se pueden considerar variables adicionales o interacciones entre variables para mejorar la capacidad predictiva del modelo.

Recuerda que el modelo de regresión lineal es una herramienta poderosa, pero también tiene limitaciones y suposiciones específicas. Es importante comprender estas limitaciones y considerar alternativas más avanzadas si el modelo lineal no es adecuado para los datos o el problema en cuestión.

Yahir Olguin Lugo

student•

En que casos usamos la regresion lineal?

predecir datos numericos

Nuestras variables son independientes

Tengo pocas variables categoricas (tablets,movil,pc,laptop)

Hender Arcadio Chacon Vera

student•

En el caso en el que contemos con un conjunto de datos con gran cantidad de variables categóricas con muchos niveles. Que tipo de modelo se recomienda usar para predecir una variable numérica continua?

Davirson Novoa Ramirez

student•

hola que tal, generalmente si quieres estimar variables continuas se usan modelos de regresion lineal, y generalemente tienden a usarse modelos de regresion lineal multiple, para otros casos como clasificacion, segmentacion u otros se usan modelos de clasificacion como desicion trees y entre otros, estos modelos son utilizados en aprendizaje supervisado.

Gian HM

student•

Resumen de la clase:

Para predecir variables numericas es un buen modelo de entrada, y si este no ajusta bien, cambiar a modelos mas complejos.
Si las variables independientes son primordialmente númericas, sería un visto bueno hacia la regresión lineal.
Si hay muchas variables categoricas es recomendable no usar una regresion lineal
Reduce las variables lo mas que puedas, es decir si tienes 40 variables, trata de usar 20 o 15 de estas.
Evita la Multicolinealidad. variables diferentes que explican lo mismop, por ejem: peso en kg y en libras.
No predigas fuera del dominio de la variable independiente.

Julián Cárdenas

student•

El elemento de la multicolinealidad no lo tenia en cuenta ni tampoco lo había escuchado, bastante interesante la verdad!

Manuel Sosa

student•

😍😍

Dick Saide Suárez Blanco

student•

----------->Cuando utilizar un modelo de R. Lineal?<-------- Hay muchos tipos de modelos, que ayudan para muchos tipos de problemas. 3 grandes preguntas para saber cuando utilizar una regresion lineal: +¿Tengo que predecir una variable numerica? la respuesta debe ser afirmativa. +¿Las variables independientes con las que cuento son primordialmente numericas? debe ser afirmativa +Cuento con una gran cantidad de avriables categoricas? o poicas variables con muchos niveles? no es aconsejable utilizr la regresion lineal en caso de este numerals er afirmativo. (Asi que si tienes una variable categorica y que ademas tiene muchos niveles, entonces es mejor no usar una R. Lineal). Una variable categorica = Es aquella que representa una categoria. Ejemplo: Devices { computadora, telefono,etc.} σRECOMENDACIONES: Cuando tengas una regresion lineal que no se ajusta bien a los datos, entonces deberiamos de aplicar mas metodos para tener mas referencias. Si ya deplano se se ajusta, vete a algo superior a una R. Lineal. Reduce las varibles lo mas posible. +Osea en vez de usar una muestra de 40 , usa mejor las 10 mejores. Evita la multicolinealidad. (Cuando las variables son muy relacionadas entre si). Por eejemplo tener libras y kilogramos en una sola, pueda dar probelmas, asi que hay que evitarlo). No predigas fuera del dominio de la variante independiente. +Cuando graficas fuera del dominio que tienes, entonces la grafica se torna inpredecible.

Marlon Fernando

student•

Como químico he tenido que realizar muchas mediciones y también ensayos estadísticos en las reacciones químicas que se hacen en el laboratorio.

En mis datos, <u>casi siempre hay un rango lineal</u>, donde se pueda aplicar regresión lineal con toda confianza, y este caso no solo pasa en la química, de hecho es bastante común. <u>Fuera del rango lineal o no suele haber correlación o aplican otras funciones, así que hay que detenerse a ver las gráficas.</u>