Guía Aprendizaje Supervisado

GUÍA DE APRENDIZAJE SUPERVISADO Aprendizaje Supervisado: Regresión y Clasificación MOOC Habilidades Computacionales – PUCE

1

Regresión lineal

Predice valores continuos con la ecuación y = β₀ + β₁x.

Ajusta coeficientes minimizando el error cuadrático medio (MSE).

Aplicaciones: precios inmobiliarios, proyección de ventas.

1

Clasificación (k-NN y Árboles)

k-Nearest Neighbors asigna la clase mayoritaria entre los k vecinos más cercanos.

El Árbol de decisión divide el espacio con reglas IF/THEN fáciles de explicar.

Útil en detección de fraude, diagnóstico médico y segmentación de clientes.

1

Preparación y división de datos

Limpia valores faltantes y normaliza escalas numéricas.

Separa 80 % entrenamiento / 20 % prueba o usa validación k-fold.

Mantén la proporción de clases para evitar sesgo.

1

Métricas de desempeño

Accuracy: proporción de aciertos en clasificación; sensible a datos desbalanceados.

MSE: distancia media al valor real en regresión; penaliza errores grandes.

Elige la métrica según el objetivo y comunica resultados con claridad.

1

Caso guiado: modelo de regresión lineal

Carga housing.csv y explora variables.

Ejecuta LinearRegression() de Scikit-learn y predice precios.

Reporta MSE en el conjunto de prueba y comenta posibles mejoras.

Próximo paso: comparte tu bloque de código en el foro “Dataset favorito”.

1