APRENDIZAJE SUPERVISADO Y REGRESIÓN LINEAL

 PREDICIENDO VENTAS CON REGRESIÓN LINEAL

En el siguiente vídeo, se explica cómo se aplica la regresión lineal, para su ejemplo de ventas.

 

Ejemplo solicitado en ChatGPT:

Supongamos que tienes un conjunto de datos que representa la relación entre las horas de estudio ($x$) y las calificaciones ($y$) de estudiantes. Queremos construir un modelo de regresión lineal para predecir las calificaciones en función de las horas de estudio:

python

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# Datos de ejemplo
horas_estudio = np.array([2, 4, 6, 8, 10])
calificaciones = np.array([65, 80, 75, 95, 90])

# Reshape para que sklearn lo acepte
horas_estudio = horas_estudio.reshape(-1, 1)

# Crear un modelo de regresión lineal
modelo_regresion = LinearRegression()

# Entrenar el modelo con los datos
modelo_regresion.fit(horas_estudio, calificaciones)

# Hacer predicciones
horas_nuevas = np.array([5, 7])
horas_nuevas = horas_nuevas.reshape(-1, 1)
predicciones = modelo_regresion.predict(horas_nuevas)

# Visualizar los resultados
plt.scatter(horas_estudio, calificaciones, color='blue')
plt.plot(horas_estudio, modelo_regresion.predict(horas_estudio), color='red', linewidth=2)
plt.scatter(horas_nuevas, predicciones, color='green', marker='X')
plt.xlabel('Horas de Estudio')
plt.ylabel('Calificaciones')
plt.title('Regresión Lineal: Horas de Estudio vs. Calificaciones')
plt.show()

En este ejemplo, el modelo de regresión lineal se ajusta a los datos de entrenamiento y se visualiza la línea de regresión (en rojo). También se hacen predicciones para nuevas horas de estudio (marcadas en verde). La pendiente y la intersección se calculan automáticamente durante el entrenamiento del modelo, y estas se utilizan para hacer predicciones. (Chat GPT)

Análisis de resultados y Evaluación del modelo, por ChatGPT:

1. Visualización de Datos y Modelo:
   • En el gráfico, los puntos azules representan los datos reales (horas de estudio vs. calificaciones).
   • La línea roja es la regresión lineal ajustada por el modelo.
   • Los puntos verdes (marcados con 'X') son las predicciones del modelo para nuevas horas de estudio.

python

plt.scatter(horas_estudio, calificaciones, color='blue')
plt.plot(horas_estudio, modelo_regresion.predict(horas_estudio), color='red', linewidth=2)
plt.scatter(horas_nuevas, predicciones, color='green', marker='X')
plt.xlabel('Horas de Estudio')
plt.ylabel('Calificaciones')
plt.title('Regresión Lineal: Horas de Estudio vs. Calificaciones')
plt.show()

2. Análisis Visual:

   • La línea roja parece ajustarse bien a la tendencia general de los datos, siguiendo la relación positiva entre horas de estudio y calificaciones.
   • Las predicciones para las nuevas horas de estudio (puntos verdes) están en línea con la regresión lineal.
   • 
      

3. Evaluación del Modelo:

   • Aunque la evaluación del modelo puede incluir diversas métricas (como el error cuadrático medio o el coeficiente de determinación), en este ejemplo utilizaremos la evaluación visual y la intuición.
   • Al comparar las predicciones del modelo con los datos reales, podemos observar cuán bien el modelo generaliza a nuevas instancias.

4. Consideraciones:

   • Es importante recordar que este es un ejemplo simplificado y la calidad del modelo depende de la naturaleza de los datos reales y la relación subyacente entre las variables.
   • En un escenario del mundo real, se pueden utilizar métricas de evaluación más cuantitativas para evaluar la precisión del modelo y ajustar parámetros si es necesario.

En resumen, el análisis visual y la evaluación del modelo deben ir de la mano. En problemas más complejos, se recomienda utilizar métricas de evaluación más formales y, si es necesario, considerar técnicas de validación cruzada para evaluar el rendimiento del modelo en datos no vistos.

Comentado por ChatGPT.