Lección 2 del curso Regresión Lineal.
En la lección anterior vimos la idea básica de la Regresión Lineal Simple, que consiste en predecir el valor de una variable numérica (que usualmente llamaremos y) con base en el valor de una única variable numérica (que usualmente llamaremos x).
En esta lección veremos en qué consiste el algoritmo de mínimos cuadrados ordinarios que permite encontrar de forma automática los parámetros de un modelo de regresión lineal simple. Adicionalmente, veremos de forma aplicada cómo usar este algoritmo para entrenar nuestro primer modelo de regresión con ayuda de la librería Scikit-Learn:
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, el algoritmo de mínimos cuadrados ordinarios permite obtener de forma automática los parámetros de un modelo de Regresión Lineal Simple.
Para ello, se calcula primero la suma de residuales cuadráticos (RSS por sus siglas en Inglés) y luego se usan técnicas de optimización para obtener los valores de los parámetros que minimizan dicha suma.
De hecho, vimos cómo usar el módulo «LinearRegression» de Scikit-Learn para implementar nuestro primer modelo de regresión lineal, con lo cual logramos predecir el valor aproximado de las ventas de un producto con base en el nivel de inversión en publicidad en TV.
Así que teniendo clara la forma como se obtienen los parámetros de este modelo lineal, en la próxima lección veremos cómo evaluar un modelo de Regresión Lineal Simple.
Todas las lecciones del curso Regresión Lineal