Regresión Lineal

La regresión lineal es una técnica de modelado estadístico que se emplea para

describir una variable de respuesta continua como una función de una o varias
variables predictoras. Puede ayudar a comprender y predecir el comportamiento
de sistemas complejos o a analizar datos experimentales, financieros y biológicos.
Las técnicas de regresión lineal permiten crear un modelo lineal. Este modelo
describe la relación entre una variable dependiente y (también conocida como la
respuesta) como una función de una o varias variables independientes Xi
(denominadas predictores). La ecuación general correspondiente a un modelo de
regresión lineal es:

¿Para qué sirve?

Una regresión lineal generalmente será el primer método que se utilizará para
intentar hacer predicciones para una variable numérica. La regresión lineal es la
base de muchos modelos de series de tiempo que se utilizan. Un caso de esto es
predecir el consumo del mercado en un producto en los siguientes meses.

Ejemplo 1.
La siguiente tabla muestra el índice de mortalidad (Y) y el consumo medio diario de
cigarrillos (X) para poblaciones distintas:

Figura 1: tabla de datos mortalidad por consumo tabaco.

¿Qué índice de mortalidad se podría predecir para una población que consume
una media de 32 cigarrillos diarios?
Buscamos nuestra expresión, Y=b0 + b1X, para ello necesitaremos calcular b0 y
b1, para calcular nuestros coeficientes estadísticos obtendremos las medias,
varianzas y covarianzas muestrales:
Figura 2: Medias, varianzas y covarianzas muestrales.
Por lo tanto, nuestra recta de regresión queda determinada por la siguiente
ecuación:

Figura 3: Ecuación de la recta de regresión.

Veamos el coeficiente de correlación, para determinar la “proximidad” de nuestra
recta:

Figura 4: Coeficiente de correlación.

Es un valor muy próximo a 1, por lo que la dependencia de las variables es muy
directa:
Por último, calculemos el índice mortal de nuestra población:

Figura 5: Índice de mortalidad.

Ejemplo 2.

Hemos usado una regresión lineal para encontrar los parámetros de la línea que
minimiza el error de los datos que tenemos. El proceso de aprendizaje consiste en
estimar los parámetros w y b. Así nos queda que, para estos datos, los mejores
valores son:
w=0.0918
b=1.2859
así que nos queda:
y=0.0918x+1.2859
Podemos usar este modelo de regresión lineal para estimar cuáles serán los
resultados para otros valores de x. Por ejemplo, si queremos saber el resultado
para x = 5, usaremos el modelo anterior y veremos que el resultado es 1.7449:
 y=0.0918 5+1.2859=1.7449
Este es un ejemplo muy simple. En realidad, los problemas de machine learning
tienen muchas más variables. Sin embargo, he escogido este ejemplo porque es
muy fácil de visualizar, explicar y entender. Espero que la intuición de este
ejemplo sirva para entender lo que está pasando cuando haya más variables.
Referencias bibliográficas:
➢ Jose Martinez Heras. (2020, octubre 2). Regresión Lineal: teoría y ejemplos
en Python. https://www.iartificial.net/regresion-lineal-con-ejemplos-enpython/

➢ Telefonica Tech. (2019, abril 25). Las Matemáticas del Machine Learning:
Ejemplos de Regresión Lineal (II) y Multilineal.
https://empresas.blogthinkbig.com/las-matematicas-del-machine-
learningejemplos-de-regresion-lineal-ii-y-multilineal/

➢ Mathworks. Recuperado el 16 de noviembre de 2022.

https://la.mathworks.com/discovery/linear-regression.html