Regresión Lineal en Inteligencia Artificial

La regresión lineal es uno de los modelos más simples y más utilizados en Machine Learning. Permite predecir valores numéricos basándose en una relación lineal entre variables. En esta guía aprenderás qué es, cómo funciona y por qué es tan importante en IA.

1. Qué es la regresión lineal

La regresión lineal es un modelo que intenta encontrar una línea recta que explique la relación entre una variable de entrada (X) y una variable de salida (Y).

• X: variable independiente.
• Y: variable dependiente.
• Objetivo: predecir Y a partir de X.

2. Relación entre variables

Si al aumentar X también aumenta Y, existe una relación positiva. Si al aumentar X disminuye Y, la relación es negativa.

# Ejemplo conceptual
X = [1, 2, 3]
Y = [2, 4, 6]  # relación positiva

3. Ecuación de la recta

La regresión lineal se basa en la ecuación de la recta:

Y = mX + b

• m: pendiente (cómo cambia Y cuando X cambia).
• b: intercepto (valor de Y cuando X = 0).

4. Predicción con regresión

Una vez que el modelo aprende los valores de m y b, puede predecir nuevos valores.

# Ejemplo conceptual
m = 2
b = 1
X_nuevo = 5
Y_pred = m * X_nuevo + b  # Resultado: 11

5. Ejemplo conceptual

Imagina que quieres predecir el precio de una casa según su tamaño.

# Datos ficticios
tamaño = [50, 80, 120]
precio = [100, 160, 240]

# Relación lineal aproximada:
# precio = 2 * tamaño + 0

Este tipo de relación es ideal para empezar a entender cómo funcionan los modelos de IA.

6. Ejercicios

# pista ecuación
Y = mX + b

# pista predicción
m = 3; b = 2; X = 4 → Y = 14

7. Mini‑proyecto: Tu primera regresión

Crea un pequeño dataset con dos columnas: tamaño y precio. Intenta encontrar manualmente una ecuación aproximada que relacione ambas variables. Este ejercicio te prepara para entrenar tu primer modelo real en las próximas guías.

Siguiente guía