Linear Regression

La regresión lineal es un método estadístico fundamental y un algoritmo básico del aprendizaje supervisado que se utiliza para modelar la relación entre una variable dependiente (objetivo) y una o más variables independientes (características). A diferencia de los algoritmos de clasificación, que predicen categorías discretas, la regresión lineal predice una salida continua, por lo que es esencial para las tareas cuyo objetivo es pronosticar valores numéricos específicos. Su simplicidad e interpretabilidad sirven de puerta de entrada para comprender conceptos más complejos del aprendizaje automático (ML), ya que introduce los mecanismos básicos de cómo los modelos aprenden a partir de los datos minimizando el error.

Mecánica básica y entrenamiento#

El objetivo principal de esta técnica es encontrar la «línea de mejor ajuste» —o un hiperplano en dimensiones superiores— que describa mejor el patrón de los datos. Para lograrlo, el algoritmo calcula una suma ponderada de las características de entrada más un término de sesgo. Durante el proceso de entrenamiento, el modelo ajusta iterativamente estos parámetros internos, conocidos como pesos y sesgos, para reducir la discrepancia entre sus predicciones y los valores reales.

Esta discrepancia se cuantifica mediante una función de pérdida, y la opción más habitual es el error cuadrático medio (MSE). Para minimizar eficazmente la pérdida, se emplea un algoritmo de optimización, como el descenso de gradiente, para actualizar los pesos. Si el modelo se ajusta demasiado al ruido de los datos de entrenamiento, corre el riesgo de sufrir sobreajuste, mientras que un modelo demasiado simple para captar la tendencia subyacente sufre subajuste.

Aplicaciones reales en IA#

Aunque suele asociarse al modelado predictivo simple en analítica de datos, los principios de la regresión lineal están profundamente integrados en arquitecturas avanzadas de aprendizaje profundo (DL).

• Previsión financiera: Los analistas utilizan la regresión para predecir los precios de la vivienda, el valor de las acciones o los ingresos por ventas basándose en datos históricos como la superficie, la ubicación o las tendencias anteriores del mercado.
• Visión por ordenador y detección de objetos: Los detectores de objetos modernos, como la familia de modelos YOLO26, utilizan la regresión en sus cabezales de detección. En concreto, el modelo realiza una «regresión de cuadros delimitadores» para predecir las coordenadas continuas precisas (centro x, centro y, anchura, altura) de un objeto dentro de una imagen.

Regresión lineal frente a regresión logística#

Es importante distinguir este término de la regresión logística. Aunque ambos son modelos lineales, sus salidas difieren considerablemente. La regresión lineal predice un valor numérico continuo (por ejemplo, el precio de un coche). En cambio, la regresión logística se utiliza para tareas de clasificación, ya que predice la probabilidad de que una entrada pertenezca a una categoría específica (por ejemplo, si un correo electrónico es «spam» o «no es spam») pasando la salida lineal por una función de activación, como la función sigmoide.

Ejemplo: regresión en la detección de objetos#

En el contexto de la visión por ordenador, cuando un modelo como Ultralytics YOLO26 detecta un objeto, las coordenadas del cuadro delimitador son el resultado de una tarea de regresión. El modelo predice valores continuos para localizar el objeto con precisión.

from ultralytics import YOLO

# Load the YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Run inference on an image
# The model uses regression to determine the exact box placement
results = model("https://ultralytics.com/images/bus.jpg")

# Display the continuous regression outputs (x, y, width, height)
for box in results[0].boxes:
    print(f"Box Regression Output (xywh): {box.xywh.numpy()}")

Los usuarios que quieran entrenar modelos personalizados que aprovechen estas capacidades de regresión para conjuntos de datos especializados pueden utilizar la Ultralytics Platform para agilizar la anotación y el entrenamiento en la nube. Comprender estos principios básicos de la regresión proporciona una base sólida para dominar tareas complejas de inteligencia artificial (AI) y visión por ordenador.