Welcome to the Jungle

Una vez que conoces distintos modelos de regresión, puedes quedar con la duda al momento de enrrentar un problema sobre qué modelo utilizar. Aquí una ayuda:

En Estadística, un parámetro estadístico muy utilizado es el Valor-P; de él depende si una prueba de hipótesis rechaza o no la hipótesis nula. Una de las alternativas de algoritmos a utilizar se encuentra en los Modelos de Regresión Lineal Múltiple; dentro del proceso de desarrollo de una solución, estos modelos deben ser depurados para lograr mayor precisión en sus predicciones, para lo que se desarrolla un proceso de eliminación regresiva, donde el Valor-P juega un papel muy importante.

Diario Concepción realizó una nota sobre el estudio que desarrollé para mi tesis de magíster.

Inédito en su tipo. Logran crear un modelo de factores claves para el crecimiento de empresas mapuches.

“Pudimos establecer que un 41,5% del crecimiento de una empresa Mapuche se explica a partir de este modelo” asegura Eric Melillanca, emprendedor, ingeniero informático y magíster en ingeniería industrial.

En un modelo de regresión lineal, el R²_ajust es una medida de bondad que considera el número de variables existentes en el modelo.

(También te puede interesar leer: Noción de R​ cuadrado o Coeficiente de Determinación)

En modelos estadísticos, fundamentales en la implementación de tipos de Machine Learning (por ende, parte de lo que es Big Data), un concepto fundamental para evaluar la bondad de un modelo (qué tan buen modelo es), un indicador de qué tan bueno es su poder predictivo se encuentra en el parámetro R². Muy utilizado, pero poco comprendido; básicamente se entiende que mientras más se acerque su valor a 1 es bueno, por el contrario mientras más se acerque a 0 es malo.