1. Regresión Lineal

¿Qué es la regresión lineal?

La regresión lineal modela la relación entre:

• Una variable independiente ().

  xx

• Una variable dependiente ().

  yy

El objetivo es encontrar una línea recta (y=mx+by = mx + b) que minimice la distancia entre los puntos de datos y la línea.

Implementación en Python:

1. Importación de bibliotecas:

   import numpy as np
   import matplotlib.pyplot as plt
   from sklearn.linear_model import LinearRegression
   
   

   • numpy: Manejo de datos numéricos.
   • matplotlib: Visualización de datos.
   • sklearn.linear_model: Modelo de regresión lineal.

2. Generación de datos:

   x = np.arange(0, 19)
   y = np.sin(x)
   
   

   • Se genera un conjunto de datos usando la función seno.

3. Creación y ajuste del modelo:

   lin_reg = LinearRegression()
   lin_reg.fit(x.reshape(-1, 1), y.reshape(-1, 1))
   predicho = lin_reg.predict(np.array([19]).reshape(-1, 1))
   
   

   • fit: Ajusta el modelo a los datos.
   • predict: Predice valores basados en el modelo ajustado.

4. Visualización de resultados:

   plt.scatter(x, y, label="Datos originales")
   plt.scatter(19, predicho, label="Predicción")
   plt.plot(x, lin_reg.predict(x.reshape(-1, 1)), label="Línea ajustada")
   plt.legend()
   plt.show()
   
   

Resultado esperado:

Una gráfica con:

• Los puntos de datos originales.

• La línea de regresión ajustada.

• Un punto adicional mostrando la predicción para .

  x=19x=19