Linear Regression

La regresión lineal es un método estadístico fundamental y un algoritmo básico en supervised learning 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, lo que la hace esencial para tareas en las que el objetivo es pronosticar valores numéricos específicos. Su simplicidad y capacidad de interpretación sirven como puerta de entrada para comprender conceptos más complejos de machine learning (ML), ya que introduce la mecánica central de cómo los modelos aprenden a partir de los datos minimizando el error.

Mecanismos básicos 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 de forma iterativa estos parámetros internos, conocidos como weights and biases, para reducir la discrepancia entre sus predicciones y la verdad de terreno real.

Esta discrepancia se cuantifica mediante una loss function, siendo la opción más común el Mean Squared Error (MSE). Para minimizar eficazmente la pérdida, se emplea un optimization algorithm como el gradient descent para actualizar los pesos. Si el modelo se alinea demasiado con el ruido en los training data, corre el riesgo de sufrir overfitting, mientras que un modelo que es demasiado simple para capturar la tendencia subyacente sufre de underfitting.

Aplicaciones en el mundo real en IA#

Aunque a menudo se asocia con el predictive modeling simple en data analytics, los principios de la regresión lineal están profundamente integrados en arquitecturas avanzadas de deep learning (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.
• Computer Vision and Object Detection: Los detectores de objetos modernos, como la familia de modelos YOLO26, utilizan la regresión en sus cabezas de detección. En concreto, el modelo realiza una «regresión de cuadros delimitadores» para predecir las coordenadas continuas precisas (centro x, centro y, ancho, alto) de un objeto dentro de una imagen.

Regresión lineal frente a regresión logística#

Es importante distinguir este término de la Logistic Regression. Aunque ambos son modelos lineales, sus salidas difieren significativamente. La regresión lineal predice un valor numérico continuo (por ejemplo, el precio de un coche). En contraste, 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») al pasar la salida lineal a través de una activation function como la función sigmoide.

Ejemplo: Regresión en la detección de objetos#

En el contexto de la visión artificial, cuando un modelo como Ultralytics YOLO26 detecta un objeto, las coordenadas de la BBox 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 deseen entrenar modelos personalizados que aprovechen estas capacidades de regresión para conjuntos de datos especializados pueden utilizar la Ultralytics Platform para simplificar la anotación y el entrenamiento en la nube. Comprender estos principios básicos de regresión proporciona una base sólida para dominar tareas complejos en artificial intelligence (AI) y computer vision.