📊 La mejor guía visual de regresión lineal que vas a encontrar — 100+ imágenes y 33 animaciones
Este artículo de Mikhail Sarafanov tardó más de un año en escribirse. Y se nota.
🎯 ¿Qué cubre?
- Por qué necesitamos modelos — de datos crudos a predicciones útiles
- Regresión simple:
y = b₀ + b₁·x— qué son el intercepto y la pendiente - Mínimos cuadrados — cómo encontrar la mejor línea analíticamente
- Métricas de evaluación: R², RMSE, MAE, MAPE
- Regresión múltiple — predicciones basadas en muchas variables
- Gradiente descendente — cuando la solución analítica no es práctica
- Regularización L1/L2 — cómo evitar el overfitting
- Validación cruzada — asegurar que el modelo generaliza bien
✨ Lo especial:
- Pensado para que se entienda solo mirando las imágenes y animaciones
- Todo el código es open source y reproducible en Python
- Estructura narrativa: cada paso resuelve el problema que surgió en el anterior
💡 Explicación en pocas palabras#
La regresión lineal es como trazar la mejor línea recta a través de una nube de puntos en un gráfico. Si tenés el precio de apartamentos según su tamaño, la regresión te da la fórmula para predecir el precio de cualquier apartamento. Es el punto de partida de todo Machine Learning.
Más información en el link 👇
También publicado en LinkedIn.
