UD1 · Sesión 2 de 12
Modelos lineales y regularización
Modelos de Aprendizaje Automático · Flujo de ML y modelos supervisados · 15 h teóricas / 25 h prácticas
Por qué importa
El lineal regularizado no es un punto de partida ingenuo: es la referencia interpretable que el modelo complejo debe superar.
En banca, seguros y admisión de riesgo el modelo lineal sigue siendo el que llega a producción porque su coeficiente es auditable y estable. La regularización permite además trabajar con cientos de variables correlacionadas sin que los coeficientes exploten. Cuando el gradient boosting supera al lineal en menos de dos puntos, la decisión razonable suele ser quedarse con el lineal.
Al terminar esta sesión sabrás
- Ajustar e interpretar modelos lineales y logísticos.
- Aplicar Ridge, LASSO y Elastic Net con criterio.
- Usar el modelo lineal como referencia interpretable.