Análisis comparativo sobre modelos de regresión

A continuación, se listan las principales ventajas y desventajas de los modelos de regesión más relevantes en Data Science.

Regresión lineal

Ventajas

• Trabaja con cualquier tamaño de muestra.
• Informa sobre la relevancia de cada variable dependiente.

Desventaja

• Asume que los datos se comportan de forma lineal

Regresión polinomial

Ventajas

• Funciona con cualquier tamaño de muestra.
• Trabaja bien sobre datos no lineales.

Desventaja

• Se requiere elegir el grado correcto del polinomio para una buena relación sesgo/varianza.

Support Vector Regression

Ventajas

• Se adapta fácilmente a distintos tipos de muestra.
• Funciona bien en problemas no lineales.
• No cae en sesgos por datos atípicos o outliers.

Desventajas

• Requiere aplicar escalamiento de dimensiones.
• No es muy conocido.
• Más complicado de comprender.

Árboles de Decisión

Ventajas

• Interoperabilidad.
• No requiere escalamiento de dimensiones.
• Funciona con problemas lineales y no lienales.

Desventajas

• Desmpeño deficiente con muestras pequeñas.
• Fácilmente es posible que se produzca un sobreajuste.

Bosque Aleatorio

Ventajas

• Potente y preciso.
• Buen rendimiento en muchos problemas, incluidos los no lineales.

Desventajas

• Necesidad de elegir el número de árboles.
• No permite interpretabilidad.
• El sobreajuste puede ocurrir fácilmente.

(Te puede interesar leer:  "¿Qué modelo de regresión lineal utilizar?")

Fuente: SuperDataScience.com