⚡ Regresión lineal con sklearn

Estas son las notas de Luis sobre cómo implementar un modelo de regresión lineal utilizando la biblioteca scikit-learn. Esta demostración te permitirá entender cómo scikit-learn simplifica el proceso de entrenamiento, evaluación y uso de modelos de regresión lineal.

El notebook interactivo incluye:

Preparación y visualización de datos sintéticos. Implementación de un modelo de regresión lineal con scikit-learn. División de los datos en conjuntos de entrenamiento y prueba. Entrenamiento y evaluación del modelo. Visualización de los datos y la línea de regresión. Ejemplo de predicción para nuevos datos.

¿Quieres modificar el código y experimentar por tu cuenta?
Abre el notebook en Google Colab

Bibliografía

• Referencia de scikit-learn – LinearRegression: Parámetros, atributos y notas de uso del estimador. https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html 🇬🇧 (en inglés)
• scikit-learn – Validación y train_test_split: Buenas prácticas para dividir conjuntos y validar modelos. https://scikit-learn.org/stable/modules/cross_validation.html#cross-validation 🇬🇧 (en inglés)
• scikit-learn – Métricas de regresión: Definiciones de R², MAE y MSE empleadas en el notebook. https://scikit-learn.org/stable/modules/model_evaluation.html#regression-metrics 🇬🇧 (en inglés)
• Documentación de pandas – DataFrame: Operaciones utilizadas para preparar los datos. https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.html 🇬🇧 (en inglés)