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