Linear Regression

La regresión lineal es un método estadístico fundamental y un algoritmo básico en el aprendizaje supervisado utilizado 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, lo que la hace esencial para tareas donde el objetivo es pronosticar valores numéricos específicos. Su simplicidad e interpretabilidad sirven como puerta de entrada para comprender conceptos más complejos de aprendizaje automático (ML), ya que introduce los mecanismos básicos sobre cómo los modelos aprenden de los datos minimizando el error.

Link to this sectionMecanismos básicos y entrenamiento#

El objetivo principal de esta técnica es encontrar la "línea de mejor ajuste" (o un hiperplano en dimensiones superiores) que mejor describa el patrón de los datos. Para lograr esto, 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 la verdad fundamental (ground truth).

Esta discrepancia se cuantifica utilizando una función de pérdida, siendo la elección más común 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 en los datos de entrenamiento, corre el riesgo de sufrir sobreajuste (overfitting), mientras que un modelo que es demasiado simple para capturar la tendencia subyacente sufre de subajuste (underfitting).

Link to this sectionAplicaciones en el mundo real en IA#

Aunque a menudo se asocia con el modelado predictivo simple en análisis de datos, los principios de la regresión lineal están profundamente integrados en arquitecturas avanzadas de aprendizaje profundo (DL).

• Pronóstico financiero: Los analistas utilizan la regresión para predecir precios de viviendas, valores bursátiles o ingresos por ventas basándose en puntos de datos históricos como metros cuadrados, ubicación o tendencias previas del mercado.
• Visión artificial y detección de objetos: Los detectores de objetos modernos, como la familia de modelos YOLO26, utilizan la regresión en sus cabezales de detección. Específicamente, el modelo realiza una "regresión de cuadro delimitador" (bounding box regression) para predecir las coordenadas continuas precisas (centro x, centro y, ancho, alto) de un objeto dentro de una imagen.

Link to this sectionRegresión lineal frente a regresión logística#

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

Link to this sectionEjemplo: Regresión en la detección de objetos#

En el contexto de la visión artificial, cuando un modelo como 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 busquen entrenar modelos personalizados que aprovechen estas capacidades de regresión para conjuntos de datos especializados pueden utilizar la Plataforma Ultralytics para una anotación y un entrenamiento en la nube optimizados. Comprender estos principios básicos de regresión proporciona una base sólida para dominar tareas complejas en inteligencia artificial (IA) y visión artificial.