Dado que esta pregunta es acerca de la regresión lineal en el contexto del aprendizaje automático, voy a asumir que la preocupación es la precisión predictiva.
Incluso si ignoramos la interpretabilidad, la regresión lineal tiene ventajas. Es decir, la regresión lineal puede vencer a métodos más potentes cuando se trata de extrapolación, como en ciertos casos de pronóstico u otros problemas en los que necesita generalizar mucho más allá del rango del espacio de entrada de sus datos de entrenamiento. Por supuesto, este es un problema difícil para todos los métodos estadísticos, pero una regresión lineal bien especificada que captura el proceso de generación de datos subyacente hará un mejor trabajo en la extrapolación que un método de caja negra la mayor parte del tiempo.
Por alguna razón, la extrapolación parece ignorarse en gran medida como un problema en la ML moderna, probablemente porque es demasiado difícil. Hay algunas investigaciones sobre el uso de redes neuronales para la extrapolación y el pronóstico de series de tiempo, pero no se usa mucho en la práctica.
- ¿Cómo es estudiar EECS en el MIT?
- ¿Hay un escáner 3D que pueda escanear todos los obstáculos colocados en una habitación?
- Cómo escribir una gramática libre de contexto para esto
- ¿Es posible combinar el algoritmo RSA y ECC para proporcionar seguridad?
- ¿Hay recursos o tutoriales para comprender rápidamente la lógica y los algoritmos aplicados?