Regresión Lineal Es un método estadístico que se usa para análisis predictivos (predicción de variables continuas o numéricas como ventar, salario, edad, precio). Básicamente es ajustar una línea a traves de un conjunto de puntos que representan features. Tipos: 1. Simple Linear Regression vs Multiple Linear Regression (Cantidad de Variables Independientes - Features -) 2. Tipos de Relación Lineal entre variables (Positiva vs Negativa) Si no hay relación lineal, probablemente la Feature no sirva. Representación Función Hipótesis: Representa la ecuación de la línea que queremos adaptar a la data observada y = mx + b Y = β0 + β1 X + ϵ y = variable dependiente (target) x = variable independiente (feature / predictor) β0 = Intercepción β1 = Coeficiente de Regresión lineal (pendiente) ϵ = Error / Residual (Diferencia entre el dato observado (punto) y la predicción (linea)) Funcion de Costo 1 M SE = n n ^ )2 ∑(Y i − Y i i=1 Objetivo Principal de la Reg.Lineal y Residuales Reducir la distancia entre la predicción (pendiente) y la data observada (residuales). Puntos - Datos Observados Linea - Predicción Distancia de Puntos a Línea - Error Métodos de Regresión Lineal 1. [Estadística] Least Square Estimation. 2. [ML-Python] Regresión Lineal usando Scikit-Learn. 3. [ML-Cálculo] Regresión Lineal usando Gradient Descent. 4. [ML-Álgebra] Regresion Lineal la pseudoinversa Moore-Penrose para minimizar el MSE.
