La regresión lineal es un método estadístico que describe la relación entre una variable objetivo y una o varias variables explicativas mediante una recta o un plano. Los coeficientes suelen elegirse de forma que se minimice la suma de las desviaciones al cuadrado. Es fácil de entender e interpretar: por ejemplo, permite estimar cuánto aumentan las ventas si subes el presupuesto publicitario en 1.000 euros. Con relaciones no lineales muestra sus límites.
Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.
Iniciar demoLa regresión logística es un método estadístico que predice la probabilidad de uno de dos resultados, por ejemplo «compra» o «no compra». Pondera las variables de entrada y convierte su suma en un valor entre 0 y 1 mediante una función en forma de S. Como sus pesos son fáciles de interpretar, se usa mucho en la evaluación de créditos, la medicina y el marketing, a menudo como referencia para modelos más complejos.
El error absoluto medio (Mean Absolute Error, MAE) indica cuánto se desvían de media las predicciones de un modelo respecto a los valores reales, sin importar la dirección. Se expresa en la unidad de la variable objetivo, por lo que es fácil de entender. Ejemplo: un MAE de 12 en una previsión de ventas diarias significa que el modelo falla, de media, por 12 unidades. Da menos peso a los valores atípicos que el error cuadrático.
El R cuadrado ajustado mide lo bien que un modelo de regresión explica la variación de los datos, corrigiendo por el número de variables predictoras. El R cuadrado simple aumenta con cada variable añadida, aunque no aporte nada; la versión ajustada penaliza las variables innecesarias. Así se comparan de forma más justa modelos de distinto tamaño, por ejemplo una previsión de ventas con tres factores en lugar de diez.
El modelado predictivo es el núcleo técnico de la analítica predictiva: con datos de ejemplo cuyo resultado se conoce se construye un modelo que predice un valor o una clase para casos nuevos. Métodos habituales son la regresión, los árboles de decisión, los bosques aleatorios y las redes neuronales. Un modelo puede, por ejemplo, estimar el precio de una vivienda a partir de la superficie, la ubicación y el año de construcción. Antes de usarlo se prueba con datos reservados para detectar el sobreajuste.
