Lección 12 del curso Regresión Lineal.
En la lección anterior vimos en detalle la Regresión Ridge, una técnica de regularización que se puede aplicar a modelos de Regresión Lineal para reducir el impacto de aquellas variables predictoras menos relevantes.
Sin embargo, una limitación de esta técnica de regularización es que a pesar de que algunos parámetros son atenuados, nunca serán exactamente iguales a cero y por tanto seguirán influyendo, en mayor o menor grado, en las predicciones hechas por el modelo.
En esta última lección veremos qué es y cómo implementar de forma práctica la Regresión Lasso, una técnica de regularización que permite atenuar e incluso hacer cero algunos parámetros de un modelo de Regresión Lineal y que por tanto tiene el potencial de realizar selección de variables. Esta técnica resulta muy útil cuando tenemos múltiples variables disponibles al momento de construir un modelo de Regresión Lineal:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver, la Regresión Lasso tiene un principio de funcionamiento muy similar a la Regresión Ridge. Realmente lo único que cambia es la penalidad introducida en la función de costo: mientras que en Ridge se usa la penalidad L2, en Lasso se usa la penalidad L1.
Y este sencillo cambio hace que en Lasso se logre no sólo atenuar los parámetros asociados a los predictores menos relevantes sino que en ciertas situaciones (dependiendo del modelo y del hiper-parámetro λ seleccionado) algunos parámetros serán exactamente iguales a cero. Esto hace que en ocasiones la Regresión Lasso funcione como un método equivalente a la selección de variables que vimos en detalle en las lecciones 9 y 10.
Así que en últimas, con lo visto en estas cuatro últimas lecciones, tenemos a disposición un conjunto de métodos que podemos usar cuando queremos construir un modelo de Regresión Lineal y tenemos disponible una gran cantidad de covariables. En esencia, podemos optar por métodos de selección de variables o por un método de regularización (como Ridge o Lasso).
En últimas, no existe un método mejor que otro. Todos tendrán sus ventajas y desventajas y al final su uso dependerá de las características propias del set de datos que estemos usando y de los resultados que en términos de predicción nos ofrezca cada método.
Así que con esto hemos llegado al final de este curso, ¡te felicito por haber llegado hasta este punto!
A lo largo del curso hemos visto todos los conceptos y todos los elementos prácticos de implementación de diferentes modelos de Regresión Lineal haciendo uso de Python y librerías como Scikit-Learn y «statsmodels».
Como lo mencioné al comienzo del curso, la Regresión Lineal es una de esas herramientas esenciales en Ciencia de Datos y que permite resolver una amplia variedad de problemas reales. Y con lo aprendido en este curso ya tendrás estas herramientas que te ayudarán no sólo en tu proceso de formación sino que además te permitirán comenzar a usar la Regresión Lineal en tus propios proyectos.
Espero que te haya gustado este curso y como siempre te invito a contactarme a través de la Intranet para que me compartas tus comentarios sobre este curso y tus sugerencias para seguir mejorando el contenido de la Academia Online.
Además, te invito a continuar tu formación tomando el siguiente curso en esta especialización: Regresión Logística.
¡Te envío un saludo y nos vemos en el próximo curso!
Todas las lecciones del curso Regresión Lineal