El análisis predictivo utiliza datos históricos y técnicas estadísticas para predecir futuros eventos. Este módulo se centra en los modelos y algoritmos más comunes utilizados en el análisis predictivo, proporcionando una base sólida para su aplicación en el ámbito de los negocios.

1. Análisis Predictivo: Proceso de utilizar datos históricos para hacer predicciones sobre eventos futuros.
2. Modelos Predictivos: Estructuras matemáticas que representan relaciones entre variables para hacer predicciones.
3. Algoritmos: Conjuntos de reglas y procedimientos utilizados para realizar cálculos y resolver problemas.

• Descripción: Modelo que asume una relación lineal entre la variable dependiente y una o más variables independientes.
• Aplicación: Predicción de ventas, precios de viviendas, etc.
• Ejemplo:

  from sklearn.linear_model import LinearRegression
  import numpy as np
  
  # Datos de ejemplo
  X = np.array([[1], [2], [3], [4], [5]])
  y = np.array([1.5, 3.5, 3.0, 4.5, 6.0])
  
  # Crear el modelo
  model = LinearRegression()
  model.fit(X, y)
  
  # Predicción
  y_pred = model.predict(np.array([[6]]))
  print(y_pred)  # Salida: [7.2]
  

• Descripción: Modelo utilizado para predecir la probabilidad de un evento binario (sí/no).
• Aplicación: Predicción de abandono de clientes, aprobación de créditos, etc.
• Ejemplo:

  from sklearn.linear_model import LogisticRegression
  import numpy as np
  
  # Datos de ejemplo
  X = np.array([[1], [2], [3], [4], [5]])
  y = np.array([0, 0, 1, 1, 1])
  
  # Crear el modelo
  model = LogisticRegression()
  model.fit(X, y)
  
  # Predicción
  y_pred = model.predict(np.array([[6]]))
  print(y_pred)  # Salida: [1]
  

• Descripción: Modelo que utiliza una estructura de árbol para tomar decisiones basadas en las características de los datos.
• Aplicación: Clasificación de clientes, segmentación de mercado, etc.
• Ejemplo:

  from sklearn.tree import DecisionTreeClassifier
  import numpy as np
  
  # Datos de ejemplo
  X = np.array([[1], [2], [3], [4], [5]])
  y = np.array([0, 0, 1, 1, 1])
  
  # Crear el modelo
  model = DecisionTreeClassifier()
  model.fit(X, y)
  
  # Predicción
  y_pred = model.predict(np.array([[6]]))
  print(y_pred)  # Salida: [1]
  

• Descripción: Conjunto de árboles de decisión que trabajan juntos para mejorar la precisión de las predicciones.
• Aplicación: Predicción de ventas, análisis de riesgo, etc.
• Ejemplo:

  from sklearn.ensemble import RandomForestClassifier
  import numpy as np
  
  # Datos de ejemplo
  X = np.array([[1], [2], [3], [4], [5]])
  y = np.array([0, 0, 1, 1, 1])
  
  # Crear el modelo
  model = RandomForestClassifier(n_estimators=10)
  model.fit(X, y)
  
  # Predicción
  y_pred = model.predict(np.array([[6]]))
  print(y_pred)  # Salida: [1]
  

• Descripción: Modelos inspirados en el cerebro humano que son capaces de aprender patrones complejos en los datos.
• Aplicación: Reconocimiento de imágenes, procesamiento de lenguaje natural, etc.
• Ejemplo:

  from keras.models import Sequential
  from keras.layers import Dense
  import numpy as np
  
  # Datos de ejemplo
  X = np.array([[1], [2], [3], [4], [5]])
  y = np.array([0, 0, 1, 1, 1])
  
  # Crear el modelo
  model = Sequential()
  model.add(Dense(10, input_dim=1, activation='relu'))
  model.add(Dense(1, activation='sigmoid'))
  
  # Compilar el modelo
  model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
  
  # Entrenar el modelo
  model.fit(X, y, epochs=10, batch_size=1)
  
  # Predicción
  y_pred = model.predict(np.array([[6]]))
  print(y_pred)  # Salida: [[0.8]]
  

Objetivo: Utilizar un modelo de regresión lineal para predecir las ventas de un producto basado en datos históricos.

Datos:

Instrucciones:

1. Dividir los datos en conjuntos de entrenamiento y prueba.
2. Crear y entrenar un modelo de regresión lineal.
3. Evaluar el modelo utilizando el conjunto de prueba.
4. Realizar predicciones para los próximos 3 meses.

Solución:

En esta sección, hemos explorado varios modelos y algoritmos utilizados en el análisis predictivo, incluyendo la regresión lineal, la regresión logística, los árboles de decisión, los bosques aleatorios y las redes neuronales. Cada uno de estos modelos tiene sus propias aplicaciones y ventajas, y la elección del modelo adecuado depende del problema específico que se esté abordando.

• Regresión Lineal: Ideal para predecir valores continuos.
• Regresión Logística: Útil para problemas de clasificación binaria.
• Árboles de Decisión: Eficaces para problemas de clasificación y regresión.
• Bosques Aleatorios: Mejoran la precisión mediante la combinación de múltiples árboles de decisión.
• Redes Neuronales: Capaces de aprender patrones complejos en los datos.

En el próximo módulo, profundizaremos en el análisis prescriptivo, que se centra en la optimización y simulación para tomar decisiones informadas.