Implementación de un Modelo de Regresión Lineal Múltiple aplicando (PLN) para predicción de artículos científicos.

Abstract

En este artículo se explica la importancia de la regresión lineal múltiple en diferentes aplicaciones, como el procesamiento del lenguaje natural y la predicción de series de tiempo. Se destaca su relevancia en la creación de sistemas de tutoría inteligente que se adapten a las necesidades individuales de los estudiantes. Se presenta el marco teórico sobre los modelos de regresión, desde la regresión lineal simple hasta la regresión lineal múltiple, y se describen los diferentes tipos de variables que intervienen en el modelo. Además, se discuten los tipos de datos, técnicas de preparación de datos, evaluación del modelo y metodología utilizada en un trabajo de análisis de datos. Se aplicó la metodología de crisp-dm, que se divide en seis fases: recolectar datos, preparar los datos, modelar, evaluar, implementar y mantener. Se describe el proceso de recolección de datos y etiquetación de la data de IoT, la carga y visualización de la base de datos, y las técnicas utilizadas en la limpieza y transformación de variables. También se explican algunas técnicas de preparación de datos y medidas comunes utilizadas para evaluar la calidad del ajuste del modelo.