Aprendizaje supervisado en R: Regresión

Ahora que ya sabemos ajustar modelos básicos de regresión lineal, aprenderemos a evaluar qué tan bien funcionan. Revisaremos la evaluación gráfica de un modelo y veremos dos métricas básicas para modelos de regresión. También aprenderemos a entrenar un modelo que rinda bien en situaciones reales, no solo en los datos de entrenamiento. Aunque demostraremos estas técnicas con regresión lineal, todos estos conceptos se aplican a modelos ajustados con cualquier algoritmo de regresión.

Antes de pasar a técnicas de regresión más sofisticadas, veremos otros aspectos del modelado: cómo modelar con variables categóricas, interacciones entre variables y cuándo podrías plantearte transformar entradas y salidas antes de modelar. Aunque algunas técnicas avanzadas gestionan automáticamente parte de estos aspectos, es importante tenerlos presentes para entender qué métodos los manejan mejor y cuáles tendrás que seguir gestionando tú mismo.

Ahora que dominamos los modelos lineales, empezaremos a ver técnicas para modelar situaciones que no cumplen los supuestos de linealidad. Esto incluye predecir probabilidades y frecuencias (valores acotados entre 0 y 1); predecir conteos (valores enteros no negativos y tasas asociadas); y respuestas con una relación no lineal pero aditiva con las entradas. Estos algoritmos son variaciones del modelo lineal estándar.

En este capítulo veremos algoritmos de modelado que no asumen linealidad ni aditividad y que pueden aprender tipos limitados de interacciones entre variables de entrada. Estos algoritmos son métodos basados en árboles que funcionan combinando conjuntos de árboles de decisión aprendidos a partir de los datos de entrenamiento.