Aprendizaje supervisado:
regresión.
Observa cómo se ajusta una recta a precios conocidos y cómo estima el precio de una vivienda nueva.
Del aprendizaje automático a la regresión
- Ámbito
Sistemas de aprendizaje automático
Aprenden patrones a partir de datos para aplicarlos a nuevos casos.
- Tipo de aprendizaje
Aprendizaje supervisado
Se entrena con ejemplos que incluyen una entrada y su respuesta conocida. Aquí: la superficie de cada vivienda y su precio.
- Tarea
Regresión
Predice una cantidad numérica continua. Aquí: un precio en euros. En este recurso usamos una regresión lineal con una sola variable.
Este es un ejemplo de aprendizaje supervisado para una tarea de regresión. Otra tarea supervisada es la clasificación, que predice categorías. Primero entrenamos con precios conocidos; después estimamos un precio nuevo.
Aprendemos de viviendas cuyo precio ya conocemos
DATOS
11 viviendas de ejemplo
MODELO
ŷ = b + w · superficie
PREDICCIÓN ŷ
Cada ejemplo incluye una superficie x y un precio conocido y. El modelo recibe la superficie; el precio real se usa para comparar y corregir. Los datos son ficticios y solo sirven para aprender.
Se equivoca, mide el error y corrige
🔮 Predice
⚖️ Compara
📉 Mide
🔧 Ajusta
El modelo ajusta la recta a los datos
Usamos una sola variable para verlo con claridad: superficie → precio. Los puntos azul oscuro son precios conocidos; los segmentos azul medio muestran la diferencia entre el precio real y la predicción. En un modelo de vivienda más completo podrían incluirse habitaciones, ubicación y antigüedad.
Pulsa «Ver cómo aprende» para ver cómo se ajusta la recta.
Un único MSE para este modelo
Elevamos cada error al cuadrado y hacemos la media de las 11 viviendas. Así, los errores positivos y negativos no se cancelan. El MSE no es una cantidad en euros.
Cada barra muestra el MSE después de un ajuste. En este ejemplo baja; no siempre baja en cada paso de cualquier entrenamiento.
La pendiente w y la base b
Cambio predicho por cada m² extra
Desplaza la recta hacia arriba o abajo
w se expresa en miles de €/m² y b en miles de €. La base b no debe interpretarse como el valor real de una vivienda de 0 m².
La animación realiza 13 ajustes mediante descenso de gradiente sobre todos los ejemplos. Ese número sirve para mostrar el proceso; no significa que todo modelo deba entrenarse en 13 pasos. Un MSE bajo en entrenamiento no garantiza buenos resultados en viviendas nuevas: eso se comprueba con datos separados que no se usan para ajustar.
Esta vez no conocemos el precio
Esta vivienda no aparece entre los 11 ejemplos de entrenamiento. Usamos solo la superficie, igual que al entrenar.
Los mismos parámetros, un nuevo caso
VIVIENDA NUEVA
MODELO
No los modifica.
PREDICCIÓN
Vuelve a Entrenamiento y pulsa «Ver cómo aprende».
Una cantidad, no una categoría
La regresión predice un valor numérico continuo. Este precio se obtiene con los parámetros aprendidos; no es el precio real ni una tasación.
¿Qué es la regresión lineal?
La regresión lineal estima una cantidad numérica mediante una combinación lineal de las variables de entrada. En este ejemplo, una recta relaciona la superficie de una vivienda con su precio: predicción = b + w × superficie.
Cómo se utiliza en este recurso
La simulación utiliza once viviendas ficticias y trece ajustes por descenso de gradiente. El error cuadrático medio (MSE) resume las diferencias entre los precios conocidos y las predicciones. Después del entrenamiento se mantienen fijos los parámetros al predecir.
Alcance y límites
Un error bajo sobre los datos de entrenamiento no demuestra que el modelo funcione bien en viviendas nuevas. Este ejemplo no es una tasación y omite factores como ubicación, estado y antigüedad.
Preguntas frecuentes
¿Qué mide el MSE?
Es la media de las diferencias al cuadrado entre valores reales y predicciones. En esta simulación se expresa en miles de euros al cuadrado.
¿Entrenamiento e inferencia son iguales?
No. Entrenar ajusta parámetros usando respuestas conocidas. Inferir aplica los parámetros ya ajustados a una entrada.