Cuándo utilizar un modelo de regresión lineal
Contenido del curso
Cómo funciona la regresión lineal
Regresión lineal multivariable
Proyecto práctico
Pasos siguientes
Cuándo utilizar un modelo de regresión lineal
Cuándo utilizar un modelo de regresión lineal
Contenido del curso
Jose Manuel Rivas Márquez
Juan R. Vergara M.
Thomas Gonzalez Rodrigues
Diego Jurado
Julián Cárdenas
Jose Manuel Rivas Márquez
Mauricio Escobar
Antonio Demarco Bonino
Mario Alexander Vargas Celis
Isaac Bryan Ascanoa Roncall
Jhon Freddy Tavera Blandon
Yahir Olguin Lugo
Hender Arcadio Chacon Vera
Davirson Novoa Ramirez
Gian HM
Julián Cárdenas
Manuel Sosa
Dick Saide Suárez Blanco
Marlon Marin
3 grandes preguntas para saber cuando utilizar una regresion lineal:
👍
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
Muy grafico.. gracias por compartir, aclaras mucho la razon.
Gracias bastante ilustrativa la imagen!
Recomendaciones al utilizar la regresion lineal:
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.
¿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
Ejemplos de cuando utilizar una regresión lienal:
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
2. Variables numéricas
3. Pocos datos y modelo interpretable
4. El objetivo es predecir o explicar
5. No hay demasiada colinealidad
6. Errores con distribución normal (idealmente)
❌ CUÁNDO NO USARLO:
📌 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
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.
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:
Análisis de ventas:
Estimación de ingresos:
Recomendaciones para utilizar un modelo de regresión lineal:
Verificar supuestos:
Evaluar la calidad del ajuste:
Considerar la interpretación de los coeficientes:
Evaluar la calidad del ajuste:
Explorar relaciones no lineales:
Considerar variables adicionales:
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.
En que casos usamos la regresion lineal?
predecir datos numericos
Nuestras variables son independientes
Tengo pocas variables categoricas (tablets,movil,pc,laptop)
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?
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.
Resumen de la clase:
El elemento de la multicolinealidad no lo tenia en cuenta ni tampoco lo había escuchado, bastante interesante la verdad!
😍😍
----------->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.
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>