{"id":2514,"date":"2024-07-24T17:09:18","date_gmt":"2024-07-24T20:09:18","guid":{"rendered":"https:\/\/loxias.ai\/?p=2514"},"modified":"2026-10-24T09:33:36","modified_gmt":"2026-10-24T08:33:36","slug":"machine-learning-algorithms","status":"publish","type":"post","link":"https:\/\/loxias.ai\/es\/blog\/machine-learning-algorithms\/","title":{"rendered":"Machine Learning: Linear vs Logistic Regression"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\"><b>Regresi\u00f3n Lineal<\/b><span style=\"font-weight: 400;\"> y <\/span><b>Regresi\u00f3n Log\u00edstica<\/b><span style=\"font-weight: 400;\"> son algoritmos cl\u00e1sicos de Aprendizaje Autom\u00e1tico. Es un error pensar que estos dos algoritmos son id\u00e9nticos y se pueden aplicar a las mismas tareas a pesar de sus nombres similares.<\/span><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><span style=\"font-weight: 400;\">En este art\u00edculo, entender\u00e1 qu\u00e9 son la regresi\u00f3n lineal y log\u00edstica, sus principales diferencias y aplicaciones.<\/span><\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><b>Los conceptos b\u00e1sicos del Aprendizaje Autom\u00e1tico<\/b><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">\u00a0<span style=\"font-weight: 400;\">ML is a subfield of Artificial Intelligence that enables algorithms to learn from examples (data) and generate a mathematical\/statistical model without being explicitly programmed by a human. This characteristic leads to the saying \u201cMachine Learning is a technology that builds itself\u201d <a href=\"https:\/\/books.google.com.br\/books\/about\/The_Master_Algorithm.html?id=pjRkCQAAQBAJ&amp;redir_esc=y\" rel=\"nofollow noopener\" target=\"_blank\">(Domingos, 2017)<\/a>.<\/span><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><span style=\"font-weight: 400;\">Los algoritmos de Aprendizaje Autom\u00e1tico se pueden utilizar para predicciones, clasificaciones, segmentaciones y reducci\u00f3n de dimensionalidad de forma autom\u00e1tica sin intervenci\u00f3n humana.<\/span><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><span style=\"font-weight: 400;\">Hay numerosos algoritmos, cada uno con sus fortalezas y debilidades. <\/span><b>La Regresi\u00f3n Lineal y la Regresi\u00f3n Log\u00edstica son ejemplos de tales algoritmos<\/b><span style=\"font-weight: 400;\"> y a pesar de sus nombres similares no son lo mismo.<\/span><\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><b>Programaci\u00f3n Tradicional vs. Aprendizaje Autom\u00e1tico<\/b><\/h2>\n\n\n\n<ul class=\"wp-block-list\">\n<li><span style=\"font-weight: 400;\">En la programaci\u00f3n tradicional el desarrollo de software requiere una programaci\u00f3n expl\u00edcita de un conjunto de reglas definidas para lograr la salida deseada y es realizado por un ser humano (programador).<\/span><\/li>\n\n\n\n<li><span style=\"font-weight: 400;\">Los algoritmos de ML, por otro lado, aprenden autom\u00e1ticamente a partir de los datos y generan reglas o modelos en funci\u00f3n de este aprendizaje.<\/span><\/li>\n<\/ul>\n\n\n\n<figure class=\"wp-block-image aligncenter size-full\"><img fetchpriority=\"high\" decoding=\"async\" width=\"613\" height=\"438\" src=\"http:\/\/loxias.ai\/wp-content\/uploads\/2024\/07\/1.webp\" alt=\"\" class=\"wp-image-20686\" srcset=\"https:\/\/loxias.ai\/wp-content\/uploads\/2024\/07\/1.webp 613w, https:\/\/loxias.ai\/wp-content\/uploads\/2024\/07\/1-600x429.webp 600w, https:\/\/loxias.ai\/wp-content\/uploads\/2024\/07\/1-300x214.webp 300w\" sizes=\"(max-width: 613px) 100vw, 613px\"><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\"><b>Tipos de Aprendizaje Autom\u00e1tico<\/b><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><span style=\"font-weight: 400;\">Antes de explicar los algoritmos de Regresi\u00f3n Lineal y Regresi\u00f3n Log\u00edstica es necesario entender los tipos de ML y sus tareas y aplicaciones respectivas.<\/span><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><span style=\"font-weight: 400;\">Est\u00e1n definidos en funci\u00f3n de su aplicaci\u00f3n, complejidad y el tipo de datos que pueden aprender, entre otras caracter\u00edsticas. La literatura t\u00e9cnica divide t\u00edpicamente el Aprendizaje Autom\u00e1tico en tres tipos de aprendizaje como se describe a continuaci\u00f3n:<\/span><\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li><b> Aprendizaje Supervisado<\/b><\/li>\n\n\n\n<li><b> Aprendizaje No Supervisado<\/b><\/li>\n\n\n\n<li><b> Aprendizaje por Refuerzo<\/b><\/li>\n<\/ol>\n\n\n\n<ul class=\"wp-block-list\">\n<li><h3><b>Aprendizaje Supervisado<\/b><\/h3><\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\"><span style=\"font-weight: 400;\">En este tipo, los algoritmos se entrenan utilizando datos etiquetados, lo que significa que el algoritmo conoce la salida correcta para una variable de entrada determinada en el conjunto de entrenamiento. Este tipo de aprendizaje se puede aplicar a tareas de regresi\u00f3n y clasificaci\u00f3n.<\/span><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><b>Regresi\u00f3n<\/b><span style=\"font-weight: 400;\"> estudia las relaciones entre variables num\u00e9ricas continuas y se utiliza en diversas aplicaciones de predicci\u00f3n como la predicci\u00f3n del precio de un coche y la estimaci\u00f3n de ventas.<\/span><b> La Regresi\u00f3n Lineal es uno de los algoritmos de regresi\u00f3n m\u00e1s populares.<\/b><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><b>Clasificaci\u00f3n<\/b><span style=\"font-weight: 400;\"> tiene como objetivo indicar a qu\u00e9 clase pertenece un objeto o dato y se puede utilizar para clasificar si un paciente tiene una enfermedad determinada o no, la retenci\u00f3n de clientes (tasa de abandono), etc. <\/span><b>La Regresi\u00f3n Log\u00edstica es un ejemplo de algoritmo que se puede aplicar a la clasificaci\u00f3n.<\/b><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><h3><b>Aprendizaje No Supervisado<\/b><\/h3><\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\"><span style=\"font-weight: 400;\">En este, los algoritmos se entrenan utilizando datos no etiquetados, lo que significa que no hay respuestas previamente conocidas en las que basar el an\u00e1lisis. El modelo debe descubrir patrones por s\u00ed mismo.<\/span><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><span style=\"font-weight: 400;\">Una de las ventajas significativas del aprendizaje no supervisado es precisamente el descubrimiento de patrones desconocidos y la s\u00edntesis de un gran volumen de datos. Este tipo de aprendizaje se puede aplicar a tareas de clustering, asociaci\u00f3n y resumen.<\/span><\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><h3><b>Aprendizaje por Refuerzo<\/b><\/h3><\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\"><span style=\"font-weight: 400;\">Se basa en la retroalimentaci\u00f3n de interacciones anteriores. Este tipo de aprendizaje mejora continuamente su modelo. Utiliza el concepto de recompensa y castigo. Se da una recompensa por una acci\u00f3n correcta y un castigo por una incorrecta. Se utiliza ampliamente en modelos que aprenden de juegos (Backgammon, Chess, Go) y navegaci\u00f3n de robots.<\/span><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><span style=\"font-weight: 400;\">Algunas literaturas tambi\u00e9n mencionan un cuarto tipo de aprendizaje que es el aprendizaje semisupervisado, que se refiere al uso de datos etiquetados y no etiquetados.<\/span><\/p>\n\n\n\n<h2 class=\"wp-block-heading\"><b>Regresi\u00f3n Lineal<\/b><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><span style=\"font-weight: 400;\">La Regresi\u00f3n Lineal se considera uno de los algoritmos de Machine Learning m\u00e1s simples y ampliamente utilizados. Un ejemplo cl\u00e1sico de Regresi\u00f3n Lineal es la predicci\u00f3n de precios de coches.\u00a0<\/span><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><span style=\"font-weight: 400;\">El algoritmo de Regresi\u00f3n Lineal modela la relaci\u00f3n entre una variable dependiente y (precios de coches) y una o m\u00e1s variables independientes x (tama\u00f1o, n\u00famero de puertas, potencia del motor, emisi\u00f3n de CO2, etc.). Luego, el algoritmo utiliza este modelo para hacer predicciones sobre nuevos datos.<\/span><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><span style=\"font-weight: 400;\">La Regresi\u00f3n Lineal es popular porque es simple de entender e implementar. Tambi\u00e9n es eficiente computacionalmente y escalable. Sin embargo, este algoritmo puede fallar con conjuntos de datos m\u00e1s complejos.<\/span><\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-full\"><img decoding=\"async\" width=\"300\" height=\"214\" src=\"http:\/\/loxias.ai\/wp-content\/uploads\/2024\/07\/4_11zon-300x214-1.webp\" alt=\"\" class=\"wp-image-20687\"><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\"><b>Regresi\u00f3n Log\u00edstica<\/b><\/h2>\n\n\n\n<p class=\"wp-block-paragraph\"><span style=\"font-weight: 400;\">La Regresi\u00f3n Log\u00edstica es un tipo de modelo estad\u00edstico utilizado para tareas de clasificaci\u00f3n. El algoritmo de Regresi\u00f3n Log\u00edstica modela la relaci\u00f3n entre una variable dependiente y (la etiqueta) y una o m\u00e1s variables independientes x (las caracter\u00edsticas).<\/span><\/p>\n\n\n\n<p class=\"wp-block-paragraph\"><span style=\"font-weight: 400;\">Luego, el algoritmo utiliza este modelo para hacer clasificaciones sobre nuevos puntos de datos. Las clasificaciones realizadas por el algoritmo de Regresi\u00f3n Log\u00edstica son probabilidades de que un punto de datos pertenezca a una clase espec\u00edfica. \u201cLog\u00edstica\u201d se refiere a la funci\u00f3n Logit que se utiliza para mapear probabilidades entre 0 y 1.<\/span><\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-full\"><img decoding=\"async\" width=\"300\" height=\"214\" src=\"http:\/\/loxias.ai\/wp-content\/uploads\/2024\/07\/3_11zon-300x214-1.webp\" alt=\"\" class=\"wp-image-20689\"><\/figure>\n\n\n\n<ul class=\"wp-block-list\">\n<li><h3><b>Regresi\u00f3n Lineal vs. Regresi\u00f3n Log\u00edstica<\/b><\/h3><\/li>\n<\/ul>\n\n\n\n<p class=\"wp-block-paragraph\"><span style=\"font-weight: 400;\">Aqu\u00ed hay un resumen de las principales diferencias y aplicaciones de los algoritmos de Regresi\u00f3n Lineal y Regresi\u00f3n Log\u00edstica:<\/span><\/p>\n\n\n\n<figure class=\"wp-block-image aligncenter size-full\"><img loading=\"lazy\" decoding=\"async\" width=\"613\" height=\"438\" src=\"http:\/\/loxias.ai\/wp-content\/uploads\/2024\/07\/2_11zon.webp\" alt=\"\" class=\"wp-image-20690\" srcset=\"https:\/\/loxias.ai\/wp-content\/uploads\/2024\/07\/2_11zon.webp 613w, https:\/\/loxias.ai\/wp-content\/uploads\/2024\/07\/2_11zon-600x429.webp 600w, https:\/\/loxias.ai\/wp-content\/uploads\/2024\/07\/2_11zon-300x214.webp 300w\" sizes=\"(max-width: 613px) 100vw, 613px\"><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Aunque la Regresi\u00f3n Lineal y la Regresi\u00f3n Log\u00edstica comparten una nomenclatura y principios fundamentales similares en Machine Learning, sirven para prop\u00f3sitos distintos y se aplican a diferentes tipos de problemas.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">At <a href=\"https:\/\/loxias.ai\/es\/\">Loxias<\/a> we leverage these algorithms to develop solutions that generate efficiency and insights for businesses across various industries. <a href=\"https:\/\/loxias.ai\/es\/advanced-ai-intelligence\/\">Learn more here!<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Linear Regression and Logistic Regression are classical Machine Learning algorithms. It is a mistake to think these two algorithms are identical and can be applied to the same tasks despite their similar names. In this article you will understand what linear and logistic regression are, their main differences and applications. The basics of Machine Learning [&hellip;]<\/p>\n","protected":false},"author":7,"featured_media":20685,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"inline_featured_image":false,"footnotes":""},"categories":[48],"tags":[49,50,51],"class_list":["post-2514","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-artificial-intelligence","tag-artificial-intelligence","tag-data-analysis","tag-machine-learning"],"acf":[],"_links":{"self":[{"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/posts\/2514","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/comments?post=2514"}],"version-history":[{"count":2,"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/posts\/2514\/revisions"}],"predecessor-version":[{"id":22912,"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/posts\/2514\/revisions\/22912"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/media\/20685"}],"wp:attachment":[{"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/media?parent=2514"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/categories?post=2514"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/loxias.ai\/wp-json\/wp\/v2\/tags?post=2514"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}