La Regresión en Machine Learning (Regression) es una de las técnicas fundamentales del aprendizaje automático. Permite desarrollar modelos capaces de predecir valores numéricos a partir de datos históricos y relaciones aprendidas entre diferentes variables.

Se utiliza en aplicaciones como la predicción de ventas, estimación de precios, análisis de demanda, consumo energético, planificación financiera y evaluación de tendencias.

Por ejemplo, una empresa puede entrenar un modelo de regresión para estimar las ventas del próximo mes utilizando información sobre las ventas anteriores, la estacionalidad, las promociones comerciales y otros factores relevantes.

A diferencia de la clasificación, que asigna observaciones a categorías, la regresión produce estimaciones numéricas.

La regresión también tiene aplicaciones en el análisis de Visibilidad en Inteligencia Artificial (AI Visibility). Una plataforma de monitorización puede utilizar modelos de regresión para estudiar tendencias históricas, estimar indicadores futuros y analizar relaciones entre la presencia de una marca y determinadas variables.

Sin embargo, las predicciones deben interpretarse con precaución. Un modelo de regresión no garantiza resultados futuros ni demuestra automáticamente relaciones causales.

En este artículo explicamos qué es la regresión, cómo funciona, cuáles son sus principales algoritmos, cómo se evalúan sus resultados y cómo puede aplicarse a problemas empresariales y de visibilidad de marcas.

¿Qué es la Regresión en Machine Learning?

La Regresión es una tarea de aprendizaje supervisado cuyo objetivo habitual consiste en estimar un valor numérico a partir de una o varias variables de entrada.

Por ejemplo, una empresa quiere estimar el precio de una vivienda.

Puede utilizar información como:

• Superficie.
• Número de habitaciones.
• Ubicación.
• Antigüedad.
• Estado del inmueble.
• Características del mercado.

El modelo analiza datos históricos de viviendas con precios conocidos.

Posteriormente, puede estimar el precio de otra vivienda utilizando sus características.

El resultado podría ser:

Precio estimado: 285.000 euros.

Esta cifra representa una predicción, no una valoración exacta ni garantizada.

Definición breve: La Regresión en Machine Learning es una tarea de aprendizaje supervisado que utiliza relaciones aprendidas entre variables para predecir resultados numéricos, normalmente continuos.

¿Qué significa Regression?

Regression es el término inglés para Regresión.

En Machine Learning se utiliza para describir una familia de tareas y métodos orientados a predecir valores numéricos.

Ejemplos habituales:

• Precio de una vivienda.
• Demanda de productos.
• Tiempo de entrega.
• Consumo energético.
• Facturación mensual.
• Temperatura.
• Volumen de tráfico.
• Indicadores empresariales.

La palabra regresión también aparece en nombres de algoritmos estadísticos específicos, como regresión lineal y regresión logística.

Es importante destacar que la regresión logística se utiliza habitualmente para clasificación, a pesar de su nombre.

¿Cómo funciona un modelo de Regresión?

El desarrollo de un modelo de regresión sigue un proceso de aprendizaje supervisado.

1. Definir el objetivo

La organización identifica el valor que desea predecir.

Por ejemplo:

«Queremos estimar las ventas del próximo mes».

La variable objetivo puede representarse mediante la letra Y.

2. Seleccionar las variables de entrada

Se identifican características potencialmente útiles.

Por ejemplo:

• Ventas anteriores.
• Presupuesto publicitario.
• Número de oportunidades comerciales.
• Estacionalidad.
• Variaciones de precios.

Estas características pueden representarse mediante X.

3. Recopilar datos históricos

Se reúnen registros con las variables de entrada y el resultado real observado.

4. Preparar los datos

Se revisan:

• Valores faltantes.
• Duplicados.
• Errores de medición.
• Variables categóricas.
• Valores extremos.
• Calidad temporal.
• Posibles fugas de información.

5. Dividir los datos

Se crean conjuntos de entrenamiento, validación y prueba, según las necesidades del problema.

En predicciones temporales debe respetarse el orden cronológico para evitar utilizar información futura durante el entrenamiento.

6. Seleccionar el algoritmo

Se elige un método apropiado, como regresión lineal, Random Forest o Gradient Boosting.

7. Entrenar el modelo

El algoritmo ajusta sus parámetros para aproximar los valores observados.

8. Evaluar las predicciones

Se utilizan métricas como MAE, RMSE y R².

9. Implementar y monitorizar

El modelo puede utilizarse para producir estimaciones y debe evaluarse periódicamente.

Ejemplo sencillo: predecir ventas mensuales

Supongamos que una empresa quiere estudiar la relación entre inversión publicitaria y ventas.

Dispone de estos registros ilustrativos:

Un modelo lineal puede identificar una relación matemática aproximada entre ambas variables.

Por ejemplo, utilizando los datos anteriores, una recta ajustada produciría la expresión:

Ventas estimadas = 6.000 + 6 × inversión publicitaria.

Con una inversión de 3.500 euros, la fórmula produciría una estimación de 27.000 euros.

Los valores son ficticios y fueron construidos para representar una relación lineal.

En un contexto real, las ventas dependen también de otros factores. Además, aumentar el presupuesto publicitario no garantiza que las ventas aumenten en la proporción indicada.

Este ejemplo permite comprender cómo un modelo utiliza relaciones numéricas para generar predicciones.

¿Qué es la Regresión Lineal (Linear Regression)?

La Regresión Lineal es uno de los métodos estadísticos y de Machine Learning más conocidos.

Busca representar una relación aproximadamente lineal entre las variables de entrada y la variable objetivo.

En la regresión lineal simple se utiliza una variable explicativa.

La fórmula básica es:

ŷ = b₀ + b₁x

Donde:

• ŷ: valor predicho.
• x: variable de entrada.
• b₀: intercepto.
• b₁: coeficiente o pendiente.

Interpretación

El intercepto representa el valor predicho cuando la variable de entrada vale cero.

La pendiente indica cuánto cambia la predicción cuando la variable de entrada aumenta una unidad, manteniendo la estructura del modelo.

El intercepto no siempre tiene una interpretación empresarial útil, especialmente cuando el valor cero está fuera del rango de los datos observados.

Ejemplo

Si:

• b₀ = 5.000
• b₁ = 200
• x = 10

Entonces:

ŷ = 5.000 + 200 × 10 = 7.000.

El modelo predice un valor de 7.000 unidades.

¿Qué es la Regresión Lineal Múltiple?

La Regresión Lineal Múltiple utiliza varias variables explicativas.

Por ejemplo, un modelo de ventas puede considerar:

• Inversión publicitaria.
• Número de clientes potenciales.
• Precio medio.
• Estacionalidad.

Su formulación habitual es:

ŷ = b₀ + b₁x₁ + b₂x₂ + … + bₙxₙ

Cada coeficiente representa una relación condicional dentro del modelo lineal.

Esto no significa que cada coeficiente represente necesariamente un efecto causal.

Para establecer causalidad se requieren diseños y supuestos adicionales.

Principales tipos y algoritmos de Regresión

Existen distintas técnicas para modelar relaciones numéricas.

1. Regresión Lineal

Utiliza relaciones lineales entre variables.

Es relativamente sencilla y puede servir como modelo de referencia.

2. Regresión Polinómica

Incorpora transformaciones polinómicas de las variables para representar determinadas relaciones curvas.

Por ejemplo, puede utilizar términos como x² o x³.

3. Ridge Regression

La regresión Ridge incorpora regularización L2.

Penaliza coeficientes de gran magnitud, lo que puede ayudar a estabilizar determinados modelos.

Es especialmente relevante cuando existen variables correlacionadas.

4. Lasso Regression

La regresión Lasso incorpora regularización L1.

Puede reducir algunos coeficientes exactamente a cero, facilitando determinadas formas de selección de variables.

5. Elastic Net

Elastic Net combina componentes de regularización L1 y L2.

Puede utilizarse cuando existen numerosas características correlacionadas.

6. Árboles de Regresión

Los árboles de decisión también pueden predecir valores numéricos.

Dividen el espacio de características en regiones y producen estimaciones basadas en los datos de cada región.

7. Random Forest Regression

Combina diferentes árboles de regresión.

Puede representar relaciones no lineales e interacciones complejas.

8. Gradient Boosting Regression

Construye modelos secuencialmente para mejorar una función objetivo.

Puede resultar eficaz en determinados problemas con datos tabulares.

Entre las implementaciones conocidas se encuentran XGBoost, LightGBM y CatBoost.

9. Support Vector Regression (SVR)

Es una extensión de los métodos de vectores de soporte orientada a tareas de regresión.

Puede utilizar kernels para representar relaciones no lineales.

10. K-Nearest Neighbors Regression

Predice valores utilizando información de observaciones cercanas.

La métrica de distancia y la escala de las variables influyen en los resultados.

11. Redes Neuronales para Regresión

Las redes neuronales pueden entrenarse para producir valores numéricos.

Se utilizan en distintos problemas complejos donde existen relaciones no lineales.

12. Regresión Cuantílica (Quantile Regression)

Permite estimar cuantiles condicionales en lugar de limitarse a una predicción de tendencia central.

Puede resultar útil para estudiar diferentes escenarios y niveles de incertidumbre.

Diferencia entre Regresión Lineal y No Lineal

Los modelos lineales describen relaciones mediante combinaciones lineales de sus parámetros.

Los modelos no lineales pueden representar relaciones más complejas.

Por ejemplo, la relación entre inversión publicitaria y ventas podría mostrar rendimientos decrecientes.

Inicialmente, aumentar la inversión puede coincidir con un crecimiento considerable.

Posteriormente, incrementos adicionales podrían asociarse con mejoras cada vez menores.

Un modelo estrictamente lineal puede no representar bien ese patrón.

Los árboles, los métodos de boosting y las redes neuronales pueden modelar determinadas relaciones no lineales.

Sin embargo, un modelo más complejo no siempre produce mejores predicciones.

Diferencia entre Clasificación y Regresión

La clasificación y la regresión son dos tareas centrales del aprendizaje supervisado.

Ejemplo práctico

Clasificación: «¿La respuesta recomienda la marca X?».

Resultado: sí o no.

Regresión: «¿Cuál podría ser la tasa de recomendaciones observada durante el próximo periodo?».

Resultado: una estimación numérica.

Ambas tareas pueden formar parte de una misma plataforma analítica.

¿Qué son los Residuos en Regresión?

El residuo (Residual) es la diferencia entre un valor observado y el valor predicho por el modelo.

Residuo = Valor real − Valor predicho

Por ejemplo:

• Venta real: 15.000 €.
• Venta predicha: 14.200 €.

Residuo = 800 €.

El modelo subestimó las ventas en 800 euros.

Analizar residuos permite investigar posibles errores sistemáticos.

Por ejemplo, si un modelo subestima constantemente las ventas durante diciembre, es posible que no represente adecuadamente la estacionalidad.

El análisis de residuos ayuda a detectar limitaciones del modelo.

¿Qué es el Método de Mínimos Cuadrados?

El método de Mínimos Cuadrados Ordinarios (Ordinary Least Squares, OLS) ajusta una regresión lineal minimizando la suma de los errores al cuadrado.

Por ejemplo, si un modelo produce varias predicciones, se calcula la diferencia entre los valores reales y los predichos.

Después se elevan esas diferencias al cuadrado y se suman.

El algoritmo busca los coeficientes que minimizan esa cantidad.

Los errores grandes reciben proporcionalmente mayor penalización debido al cuadrado.

Este método constituye una base importante para comprender la regresión lineal.

Principales métricas para evaluar modelos de Regresión

La calidad de un modelo debe comprobarse utilizando datos independientes.

1. Error Absoluto Medio (MAE)

El Mean Absolute Error mide el promedio de los errores absolutos.

MAE = (1/n) × Σ |yᵢ − ŷᵢ|

Su resultado utiliza las mismas unidades que la variable objetivo.

Por ejemplo, un MAE de 500 euros indica un error absoluto medio de 500 euros en el conjunto evaluado.

2. Error Cuadrático Medio (MSE)

El Mean Squared Error mide el promedio de los errores elevados al cuadrado.

MSE = (1/n) × Σ (yᵢ − ŷᵢ)²

Penaliza proporcionalmente más los errores grandes.

3. Raíz del Error Cuadrático Medio (RMSE)

El Root Mean Squared Error es la raíz cuadrada del MSE.

RMSE = √MSE

Tiene las mismas unidades que la variable objetivo.

Puede ser útil cuando interesa penalizar especialmente errores grandes.

4. Coeficiente de Determinación (R²)

El R-squared compara el error cuadrático del modelo con el de una referencia basada en la media de los valores observados.

Una formulación habitual es:

R² = 1 − [Σ(yᵢ − ŷᵢ)² / Σ(yᵢ − ȳ)²]

Donde ȳ representa la media de los valores reales.

Un resultado de R² igual a 1 corresponde a predicciones perfectas sobre el conjunto evaluado.

Un valor de 0 equivale, según esta definición, al rendimiento de predecir siempre la media del conjunto evaluado.

R² también puede ser negativo cuando el modelo funciona peor que esa referencia.

No debe interpretarse R² como una medida universal de exactitud ni como prueba de causalidad.

5. Error Porcentual Absoluto Medio (MAPE)

El Mean Absolute Percentage Error expresa errores relativos respecto a los valores observados.

Puede ser útil en determinados escenarios comerciales.

Sin embargo, presenta problemas cuando los valores reales son cero o están muy próximos a cero.

6. Error Absoluto Mediano

La mediana de los errores absolutos puede proporcionar una medida más resistente a determinados valores extremos que la media.

Ejemplo numérico de evaluación

Supongamos que un modelo predice ventas semanales.

El error absoluto total es:

500 + 500 + 1.000 + 500 = 2.500 euros.

El MAE es:

MAE = 2.500 / 4 = 625 euros.

El MSE es:

MSE = (500² + 500² + 1.000² + 500²) / 4 = 437.500 euros².

Por tanto:

RMSE ≈ 661,44 euros.

Los datos son ilustrativos.

Este ejemplo permite comprobar cómo dos métricas distintas expresan el rendimiento de un mismo modelo.

¿Cómo visualizar una regresión?

Una forma habitual de comprender la regresión lineal consiste en representar observaciones mediante un gráfico de dispersión.

Cada punto indica un par de valores.

Por ejemplo:

• Eje horizontal: inversión publicitaria.
• Eje vertical: ventas.

La recta ajustada representa las predicciones del modelo.

La distancia vertical entre un punto y la recta representa el residuo.

Si los puntos se distribuyen cerca de la recta, puede existir una relación aproximadamente lineal.

Sin embargo, una asociación visual fuerte no demuestra causalidad.

Ejemplo práctico con Python: predecir ventas

Podemos desarrollar un modelo sencillo utilizando Python y scikit-learn.

El siguiente ejemplo es educativo y utiliza datos ficticios.

import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import (
    mean_absolute_error,
    root_mean_squared_error,
    r2_score
)
# Datos históricos ficticios
# Variable X: inversión publicitaria en euros
X_train = np.array([
    [1000],
    [1500],
    [2000],
    [2500],
    [3000],
    [3500],
    [4000],
    [4500]
])
# Variable Y: ventas observadas en euros
y_train = np.array([
    12000,
    15100,
    17900,
    21100,
    23800,
    27000,
    30100,
    32900
])
# Crear y entrenar el modelo
model = LinearRegression()
model.fit(X_train, y_train)
# Datos de evaluación independientes del entrenamiento
X_test = np.array([[5000], [5500], [6000]])
y_test = np.array([35900, 38800, 42000])
# Generar predicciones
predictions = model.predict(X_test)
# Calcular métricas
mae = mean_absolute_error(y_test, predictions)
rmse = root_mean_squared_error(y_test, predictions)
r2 = r2_score(y_test, predictions)
print("Predicciones:", predictions)
print("MAE:", round(mae, 2))
print("RMSE:", round(rmse, 2))
print("R²:", round(r2, 3))
# Predicción adicional
investment = np.array([[6500]])
estimated_sales = model.predict(investment)
print(
    "Ventas estimadas:",
    round(estimated_sales[0], 2)
)

Este código muestra cómo entrenar y evaluar un modelo lineal.

El ejemplo tiene limitaciones importantes:

• Utiliza muy pocos registros.
• Los datos son ficticios.
• Solo incluye una variable explicativa.
• El conjunto de evaluación está fuera del intervalo de entrenamiento.
• La última predicción también es una extrapolación.

Por eso no debe interpretarse como una solución predictiva empresarial validada.

Para un proyecto real sería necesario disponer de datos representativos, más variables y un diseño de evaluación apropiado.

¿Qué es el Sobreajuste en Regresión?

El Sobreajuste (Overfitting) ocurre cuando un modelo aprende patrones demasiado específicos de los datos de entrenamiento.

Puede producir resultados excelentes sobre esos datos y funcionar deficientemente con observaciones nuevas.

Por ejemplo, un modelo polinómico muy complejo puede ajustarse casi perfectamente a una colección pequeña de puntos.

Sin embargo, sus predicciones futuras pueden ser inestables.

Para reducir este riesgo pueden utilizarse:

• Validación cruzada.
• Regularización.
• Selección de variables.
• Modelos menos complejos.
• Más datos representativos.
• Evaluación independiente.

¿Qué es el Subajuste (Underfitting)?

El Subajuste aparece cuando el modelo es demasiado simple para representar adecuadamente los patrones relevantes.

Por ejemplo, una recta puede resultar insuficiente para modelar una relación claramente no lineal.

Un sistema subajustado puede producir errores elevados incluso sobre el conjunto de entrenamiento.

El objetivo consiste en encontrar un equilibrio entre complejidad, generalización e interpretabilidad.

¿Qué es la Regularización?

La regularización introduce restricciones o penalizaciones durante el entrenamiento.

Su objetivo puede ser reducir la complejidad efectiva del modelo y mejorar la generalización.

Ridge

Penaliza la magnitud cuadrática de los coeficientes.

Lasso

Utiliza una penalización basada en valores absolutos y puede producir coeficientes exactamente iguales a cero.

Elastic Net

Combina componentes de las dos penalizaciones anteriores.

Estos métodos son especialmente útiles en determinados problemas con muchas variables o relaciones de correlación entre características.

¿Qué es la Multicolinealidad?

La Multicolinealidad aparece cuando varias variables explicativas están altamente relacionadas.

Por ejemplo, en un modelo comercial podrían incluirse:

• Número de visitantes.
• Número de sesiones.
• Número de páginas vistas.

Algunas de estas variables pueden presentar correlaciones elevadas.

En ciertos modelos lineales, esta situación puede dificultar la estimación estable e interpretación de coeficientes individuales.

La multicolinealidad no implica automáticamente que las predicciones sean malas, pero puede complicar el análisis de los efectos estimados.

Regresión y Predicción de Series Temporales

La regresión puede utilizarse para construir modelos de predicción temporal.

Por ejemplo, una empresa quiere estimar sus ventas durante los próximos tres meses.

Puede incluir variables como:

• Ventas de periodos anteriores.
• Estacionalidad.
• Tendencia.
• Promociones.
• Festivos.
• Actividad comercial.

En estas aplicaciones es importante respetar la secuencia temporal.

No debe utilizarse información del futuro para predecir el pasado durante la evaluación.

Ejemplo

Se dispone de datos mensuales de enero de 2023 a diciembre de 2025.

Una evaluación podría entrenar el modelo con un periodo inicial y comprobar sus predicciones en meses posteriores.

También pueden utilizarse estrategias de validación temporal con ventanas sucesivas.

La selección del método depende de la frecuencia de los datos y del horizonte de predicción.

¿Qué es la Regresión Cuantílica?

La regresión tradicional suele utilizarse para estimar una tendencia central condicional, frecuentemente la media.

La Regresión Cuantílica permite estimar diferentes puntos de la distribución condicional.

Por ejemplo, puede producir estimaciones para:

• Cuantil 10 %.
• Mediana o cuantil 50 %.
• Cuantil 90 %.

Esto puede resultar útil cuando una empresa necesita estudiar diferentes escenarios.

Sin embargo, los cuantiles estimados deben validarse y no deben confundirse automáticamente con intervalos de confianza sobre parámetros.

¿Cómo medir la incertidumbre de una predicción?

Una predicción puntual no representa toda la incertidumbre de un problema.

Por ejemplo:

Ventas estimadas: 50.000 euros.

La cifra no indica por sí sola qué variación puede esperarse.

Dependiendo del método, pueden utilizarse:

• Intervalos de predicción.
• Modelos probabilísticos.
• Regresión cuantílica.
• Métodos de conformal prediction.
• Simulaciones.
• Análisis de escenarios.

Un intervalo de predicción intenta representar un rango plausible para futuras observaciones bajo determinados supuestos.

Su validez depende del procedimiento de calibración y de las condiciones de los datos.

Aplicaciones empresariales de la Regresión

1. Predicción de ventas

Estimar facturación futura utilizando información comercial e histórica.

2. Estimación de precios

Desarrollar modelos de valoración para productos o inmuebles.

3. Predicción de demanda

Estimar cantidades futuras de productos o servicios.

4. Planificación de inventario

Utilizar estimaciones de demanda para apoyar decisiones de aprovisionamiento.

5. Consumo energético

Estimar necesidades energéticas según diferentes condiciones.

6. Logística

Predecir determinados tiempos de entrega o cantidades operativas.

7. Mantenimiento predictivo

Estimar indicadores numéricos relacionados con el comportamiento de equipos.

8. Análisis de clientes

Predecir gasto, valor esperado u otras magnitudes comerciales.

9. Marketing

Estudiar relaciones predictivas entre variables de campañas y resultados.

10. AI Visibility Monitoring

Analizar tendencias y estimar valores futuros de indicadores observados de presencia de marca.

¿Qué relación existe entre Regresión y los LLM?

Los grandes modelos de lenguaje pueden utilizarse en sistemas que realizan tareas relacionadas con valores numéricos.

Por ejemplo, una aplicación puede extraer información de documentos mediante un LLM y utilizar después un modelo de regresión especializado.

Sin embargo, la generación de números por un LLM no significa necesariamente que esté ejecutando un modelo estadístico de regresión explícito.

Una arquitectura empresarial puede combinar:

1. Extracción de información mediante IA.
2. Preparación de datos estructurados.
3. Modelo predictivo de regresión.
4. Evaluación estadística.
5. Presentación de resultados.

Este enfoque puede resultar más controlable que solicitar directamente a un modelo lingüístico una predicción numérica sin una metodología verificable.

¿Qué relación existe entre Regresión y AI Search?

Los sistemas de búsqueda pueden utilizar modelos predictivos para diferentes tareas.

Por ejemplo, determinados componentes pueden estimar puntuaciones numéricas de relevancia u otras variables.

Sin embargo, no todos esos modelos deben clasificarse necesariamente como regresión en sentido técnico.

La forma concreta de entrenar un modelo de clasificación o ranking depende de su objetivo y de su función de pérdida.

Tampoco debe suponerse que los sistemas de AI Search utilizan regresión para decidir qué empresas recomendar.

Para estudiar la visibilidad de marca es necesario analizar las respuestas observadas y los procedimientos de recuperación de información cuando estén documentados.

¿Qué relación existe entre Regresión y la Visibilidad en IA?

La regresión tiene aplicaciones prácticas en el análisis de series históricas y relaciones estadísticas entre métricas de visibilidad.

Por ejemplo, una empresa puede monitorizar mensualmente:

• Tasa de menciones.
• Tasa de recomendaciones.
• Cobertura de citas.
• Cuota de voz en IA.
• Cobertura de atributos.
• Indicadores competitivos.

Estos resultados pueden organizarse en conjuntos de datos temporales.

Posteriormente, determinados modelos de regresión pueden utilizarse para analizar patrones y realizar estimaciones.

1. Análisis de tendencias

Un modelo puede estudiar cómo ha evolucionado la tasa de menciones a lo largo del tiempo.

2. Estimación de valores futuros

Pueden calcularse previsiones bajo determinados supuestos.

3. Relación entre indicadores

Se pueden explorar asociaciones estadísticas entre diferentes métricas.

4. Comparación competitiva

Los modelos pueden ayudar a analizar diferencias temporales entre marcas.

5. Detección de cambios inusuales

Los residuos de un modelo pueden utilizarse como una señal para investigar variaciones inesperadas.

6. Evaluación de iniciativas

Los resultados pueden compararse antes y después de determinadas actividades.

Sin embargo, una relación estadística no demuestra automáticamente que la actividad haya causado el cambio observado.

Ejemplo práctico: predecir una Tasa de Menciones

Supongamos que una plataforma analiza mensualmente 200 consultas comparables.

Los resultados observados son:

Los datos son ficticios.

Un modelo de regresión podría estudiar la tendencia y calcular una estimación para el mes siguiente.

Por ejemplo, una extrapolación lineal podría sugerir un valor cercano al 27 %.

Sin embargo, esta cifra no representa una previsión fiable por sí sola.

Existen limitaciones importantes:

• Solo se dispone de seis observaciones mensuales.
• Las respuestas de IA pueden variar entre ejecuciones.
• La composición de consultas influye en los resultados.
• Las plataformas pueden cambiar sus modelos.
• La presencia de marca no necesariamente sigue una tendencia lineal.
• Las tasas están limitadas entre 0 % y 100 %.

Además, si las 200 consultas no son independientes, no debe suponerse que representan 200 observaciones estadísticas independientes.

Este ejemplo muestra el uso conceptual de la regresión, pero no constituye una metodología suficiente para elaborar previsiones comerciales.

¿Cómo construir un modelo de regresión para AI Visibility?

Una estrategia práctica puede organizarse en diez etapas.

Paso 1. Definir la métrica objetivo

Por ejemplo, tasa mensual de recomendaciones.

Paso 2. Mantener una metodología consistente

Se utiliza una cartera de prompts documentada y criterios de análisis estables.

Paso 3. Recopilar suficientes periodos

Se construye una serie histórica adecuada.

Paso 4. Registrar variables relevantes

Por ejemplo:

• Fecha.
• Plataforma.
• Categoría.
• Número de consultas.
• Modelo o versión disponible.
• Indicador observado.
• Cambios metodológicos.

Paso 5. Preparar los datos

Se revisan valores faltantes y posibles inconsistencias.

Paso 6. Seleccionar una línea base

Puede utilizarse una media histórica, una predicción constante o un modelo temporal simple.

Paso 7. Entrenar el modelo

Se selecciona una técnica de regresión apropiada.

Paso 8. Realizar validación temporal

Se comprueba el rendimiento sobre periodos posteriores a los utilizados para entrenar.

Paso 9. Evaluar incertidumbre

Se analizan errores y posibles rangos de predicción.

Paso 10. Presentar los resultados

Los informes deben distinguir claramente entre:

• Datos observados.
• Estimaciones.
• Proyecciones.
• Objetivos comerciales.

Esta distinción ayuda a evitar que los usuarios interpreten las predicciones como resultados confirmados.

¿Se puede utilizar Regresión para estimar KPI expresados en porcentajes?

Sí, pero deben considerarse las características de la variable objetivo.

Las tasas de menciones y recomendaciones están limitadas entre 0 % y 100 %.

Una regresión lineal convencional puede producir predicciones fuera de ese intervalo.

Por ejemplo:

Tasa estimada: 105 %.

Este valor no es válido como proporción.

Dependiendo del problema pueden estudiarse alternativas como:

• Modelos binomiales.
• Regresión logística sobre observaciones binarias.
• Modelos para proporciones.
• Regresión beta bajo condiciones apropiadas.
• Transformaciones de la variable.
• Modelos temporales específicos.

Si el indicador se calcula como una proporción de respuestas positivas sobre un número conocido de consultas, puede resultar más adecuado modelar directamente los éxitos y el denominador correspondiente.

La elección depende de la estructura de los datos.

Diferencia entre Predicción y Causalidad

Uno de los errores más frecuentes consiste en interpretar una regresión predictiva como prueba de causalidad.

Supongamos que una empresa observa:

• Aumento de publicaciones.
• Aumento de menciones en asistentes de IA.

Un modelo puede encontrar una asociación positiva.

Sin embargo, esto no demuestra que las publicaciones hayan causado el incremento de menciones.

Otros factores pueden influir:

• Actualizaciones de plataformas.
• Cambios en la cartera de consultas.
• Actividad de competidores.
• Modificaciones en las fuentes.
• Estacionalidad.
• Variabilidad en las respuestas.

Para estudiar efectos causales pueden requerirse experimentos, diseños cuasiexperimentales o métodos estadísticos específicos.

Regresión y AI Visibility Reporting

Los informes de visibilidad pueden utilizar regresión para apoyar determinados análisis.

Por ejemplo, un informe podría incluir:

Métrica observada: tasa de menciones actual.

Tendencia histórica: evolución durante periodos comparables.

Modelo predictivo: estimación basada en la serie histórica.

Error histórico: rendimiento del modelo sobre datos de evaluación.

Limitaciones: cambios metodológicos y variabilidad.

Los gráficos deben diferenciar visualmente los resultados observados de las proyecciones.

También conviene evitar presentar una tendencia positiva como garantía de crecimiento futuro.

Ventajas de la Regresión en Machine Learning

Predicción cuantitativa

Permite estimar valores numéricos.

Aplicaciones amplias

Puede utilizarse en ventas, precios, demanda y numerosas variables empresariales.

Interpretabilidad

Determinados modelos lineales permiten analizar coeficientes y relaciones.

Evaluación cuantitativa

Existen métricas para medir errores.

Integración con otros sistemas

Puede utilizarse junto con bases de datos, dashboards y aplicaciones de IA.

Modelos simples y avanzados

Existen opciones desde regresión lineal hasta modelos neuronales.

Limitaciones y riesgos de la Regresión

Predicciones incorrectas

Los modelos pueden producir errores significativos.

Dependencia de datos históricos

El rendimiento puede deteriorarse cuando cambian las condiciones.

Extrapolación

Las predicciones fuera del rango observado pueden ser poco fiables.

Sobreajuste

Los modelos complejos pueden aprender patrones poco generalizables.

Subajuste

Los modelos simples pueden ignorar relaciones relevantes.

Variables omitidas

La ausencia de factores importantes puede afectar las estimaciones.

Datos sesgados

Los errores y sesgos pueden trasladarse al modelo.

Confusión entre asociación y causalidad

Una relación estadística no demuestra un efecto causal.

Incertidumbre

Las predicciones puntuales pueden ocultar variabilidad importante.

Buenas prácticas para implementar Regresión

Para desarrollar sistemas de regresión fiables conviene:

1. Definir claramente la variable objetivo.
2. Seleccionar características relevantes.
3. Revisar la calidad de los datos.
4. Mantener conjuntos de evaluación independientes.
5. Evitar la fuga de información.
6. Utilizar modelos de referencia sencillos.
7. Comparar diferentes algoritmos.
8. Evaluar MAE, RMSE y otras métricas apropiadas.
9. Analizar residuos.
10. Comprobar la estabilidad temporal.
11. Evaluar incertidumbre y extrapolación.
12. Documentar supuestos y limitaciones.

En proyectos de AI Visibility también deben registrarse las metodologías utilizadas para calcular las métricas que se emplean como variables objetivo.

Preguntas frecuentes sobre Regresión en Machine Learning

¿Qué significa Regression en Machine Learning?

Regression significa Regresión, una tarea predictiva orientada a estimar valores numéricos.

¿Cuál es la diferencia entre clasificación y regresión?

La clasificación predice categorías. La regresión predice valores numéricos.

¿Qué es la regresión lineal?

Es un método que representa la relación entre variables mediante una función lineal.

¿Qué es la regresión múltiple?

Es una regresión que utiliza varias variables explicativas.

¿Qué es Ridge Regression?

Es una técnica de regresión con regularización L2.

¿Qué es Lasso Regression?

Es una técnica de regresión con regularización L1 que puede reducir determinados coeficientes a cero.

¿Qué es Random Forest Regression?

Es un método que combina diferentes árboles de regresión para producir predicciones numéricas.

¿Qué es MAE?

Es el promedio de los errores absolutos entre valores reales y predichos.

¿Qué es RMSE?

Es la raíz cuadrada del error cuadrático medio.

¿Qué significa R²?

Es una métrica que compara la suma de errores cuadrados del modelo con una referencia basada en la media observada.

¿Qué es un residuo?

Es la diferencia entre el valor real y el valor predicho.

¿La regresión logística es una técnica de regresión?

A pesar de su nombre, se utiliza habitualmente para clasificación.

¿Se puede utilizar regresión con Deep Learning?

Sí. Las redes neuronales pueden entrenarse para predecir valores numéricos.

¿La regresión permite predecir tendencias de AI Visibility?

Puede utilizarse para elaborar estimaciones, pero su fiabilidad debe validarse y las predicciones no garantizan resultados futuros.

¿Una regresión demuestra causalidad?

No. Un modelo predictivo puede identificar asociaciones sin demostrar relaciones causales.

Conceptos relacionados

• Inteligencia Artificial (IA): disciplina dedicada al desarrollo de sistemas inteligentes.
• Aprendizaje Automático (Machine Learning): métodos para aprender patrones a partir de datos.
• Aprendizaje Supervisado: entrenamiento mediante ejemplos con resultados conocidos.
• Clasificación: predicción de categorías.
• Regresión Lineal: modelado de relaciones lineales entre variables.
• Regresión Polinómica: representación de determinadas relaciones curvas.
• Regularización: técnicas para limitar complejidad o magnitud de parámetros.
• Sobreajuste: adaptación excesiva a los datos de entrenamiento.
• Subajuste: incapacidad para representar patrones relevantes.
• Series Temporales: datos organizados cronológicamente.
• Predicción: estimación de resultados desconocidos.
• Visibilidad en Inteligencia Artificial: análisis de presencia y recomendaciones de marcas en asistentes de IA.

Conclusión

La Regresión en Machine Learning (Regression) es una de las tareas fundamentales del aprendizaje supervisado.

Permite desarrollar modelos capaces de estimar valores numéricos utilizando relaciones aprendidas entre variables.

Sus aplicaciones abarcan predicción de ventas, estimación de precios, demanda, planificación y análisis empresarial.

Existen diferentes técnicas, desde regresión lineal y métodos regularizados hasta árboles, modelos de boosting y redes neuronales.

La calidad de sus predicciones debe evaluarse mediante métricas como MAE, RMSE y R², acompañadas de análisis de residuos y procedimientos de validación.

En el ámbito de la visibilidad de marcas en inteligencia artificial, la regresión puede utilizarse para estudiar tendencias históricas, analizar relaciones estadísticas y construir estimaciones de determinados indicadores.

Sin embargo, debe evitarse interpretar automáticamente las predicciones como resultados garantizados o las asociaciones como pruebas de causalidad.

La conclusión fundamental es que la regresión permite transformar relaciones observadas en estimaciones numéricas, constituyendo una herramienta esencial para la predicción y el análisis de datos, siempre que se utilice con evaluación rigurosa y una interpretación adecuada de la incertidumbre.