En el análisis de datos, especialmente en economía, una de las herramientas más fundamentales es la regresión. No solo nos permite predecir valores, sino también comprender relaciones funcionales entre variables.
En esta entrada, te muestro cómo distintos modelos de regresión —lineal, logarítmica, exponencial y polinómica— pueden usarse para ajustar datos simulados. A través de visualizaciones y métricas como el error cuadrático medio (MSE), comparamos su desempeño y reflexionamos sobre cuál tiene más sentido utilizar según el contexto.
Además, exploramos brevemente el papel de la regularización (LASSO, Ridge), y por qué no siempre es necesaria: en particular, cuando conocemos la forma funcional de la relación que queremos modelar (como una función logarítmica), introducir regularización puede ser innecesario o incluso contraproducente.
🔧 Todo está implementado en Python, utilizando scikit-learn, matplotlib y numpy, en un cuaderno de Jupyter completamente reproducible.
🧠 ¿Por qué este tema?
Porque entender qué modelo usar y por qué es tan importante como ejecutar el código. A menudo se aplican modelos complejos sin preguntarse si son los adecuados. Aquí intentamos lo contrario: partir del problema, entender la forma de la relación, y recién ahí ajustar.
📎 Puedes ver el cuaderno y el código completo aquí: [ REGRESION LINEAL]
El taller de datos 
Deja un comentario