Regresión lineal y simple: ML aplicada al amor

Regresión lineal y simple: ML aplicada al amor

Regresión lineal y simple

Regresión lineal y simple: En este artículo te explicaré de forma divertida lo que es un algoritmo de regresión lineal y cómo puedes usarlo para calcular la posibilidad de que te vuelvan a rechazar.

Primero, vamos a definir qué es la regresión lineal simple. Es un modelo matemático que se utiliza para analizar la relación entre dos variables continuas, en este caso, cómo afecta una variable (por ejemplo, tu comportamiento) en otra variable (por ejemplo, la probabilidad de que te acepten o te rechacen). La regresión lineal simple se utiliza para predecir valores numéricos continuos y se representa mediante una línea recta en un plano cartesiano.

Ahora, imagina que tienes una cita con una chica que te gusta y te rechaza. ¿Qué puedes hacer para mejorar tus posibilidades en la próxima cita? ¡Usa un algoritmo de regresión lineal simple!

Primero, necesitarás recopilar algunos datos, como la cantidad de veces que le has hablado a la chica, la cantidad de veces que ella te ha respondido, y si ha habido alguna interacción positiva entre ustedes. Una vez que tengas tus datos, puedes ingresarlos en Python para crear un modelo de regresión.

El modelo te mostrará una línea recta que representa la relación entre tus variables: la cantidad de veces que le has hablado a la chica y la probabilidad de que te acepten en tu próxima cita. Con esta información, podrás calcular la posibilidad de que te vuelvan a rechazar.

Pero, ¡cuidado! Recuerda que la regresión no puede predecir con certeza qué sucederá en tu próxima cita. Es solo una herramienta que te ayudará a entender cómo tus acciones pueden afectar el resultado.

En resumen, la regresión lineal simple es un algoritmo que te permite analizar la relación entre dos variables y predecir valores numéricos continuos. Puedes usarlo para calcular la posibilidad de que te vuelvan a rechazar en tu próxima cita con una chica. Recuerda que siempre debes tener en cuenta que los resultados de la regresión no son definitivos y que siempre hay margen de error.

Pseudo Código Explicado

Obtener los datos de entrada:
Cantidad de veces que se ha hablado con la chica (X)
Cantidad de veces que ella ha respondido (Y)
Si ha habido alguna interacción positiva entre ustedes (Z)
Calcular la media de los datos:
Media de X (Xm)
Media de Y (Ym)
Media de Z (Zm)
Calcular la covarianza entre X e Y:
Covarianza (XY) = sum((X - Xm) * (Y - Ym)) / (n - 1)
Calcular la varianza de X:
Varianza de X (VarX) = sum((X - Xm)^2) / (n - 1)
Calcular los coeficientes de la regresión:
Pendiente (b) = Covarianza(XY) / Varianza(X)
Intersección (a) = Ym - b * Xm
Realizar la predicción:
Cantidad de veces que se ha hablado con la chica (Xp)
Cantidad de veces que ella ha respondido (Yp)
Si ha habido alguna interacción positiva entre ustedes (Zp)
Predicción (Yp) = a + b * Xp + Zp

Código PYTHON

import numpy as np
from sklearn.linear_model import LinearRegression

# Datos de entrada
veces_hablado = np.array([2, 4, 6, 8, 10]).reshape((-1, 1))
veces_respondido = np.array([1, 2, 3, 4, 5])
interaccion_positiva = np.array([0, 0, 1, 1, 1])

# Creación del modelo de regresión lineal
modelo = LinearRegression()
modelo.fit(veces_hablado, interaccion_positiva)

# Cálculo de la probabilidad de una interacción positiva en base a la cantidad de veces que le has hablado
veces_hablado_nuevo = np.array([12]).reshape((-1, 1))
prediccion = modelo.predict(veces_hablado_nuevo)
probabilidad = round(prediccion[0], 2)

print(f"La probabilidad de tener una interacción positiva con la chica después de haberle hablado {veces_hablado_nuevo[0][0]} veces es del {probabilidad*100}%")
Code language: PHP (php)

Aprende ML con google aquí y lee nuestro post sobre la IA y si tiene conciencia.