Regresión

🧩 ¿Qué es?

La regresión es un tipo de algoritmo de Machine Learning supervisado que se utiliza para predecir valores numéricos continuos. A diferencia de la clasificación, donde el resultado es una categoría (por ejemplo: normal, crítico, apagado), en la regresión se busca estimar una cantidad, como el consumo de energía, la temperatura futura o la producción esperada.

El modelo de regresión aprende a partir de un conjunto de datos históricos en el que se conocen tanto las variables de entrada (por ejemplo: hora del día, humedad, temperatura exterior) como el valor que se quiere predecir (por ejemplo: kilovatios consumidos). Una vez entrenado, el modelo puede recibir nuevos datos y predecir el valor esperado de salida.

🔧 Cómo funciona

El modelo de regresión trabaja identificando una relación matemática entre las variables de entrada (predictoras) y la variable de salida (objetivo) que se desea estimar. Esta relación puede ser lineal, como en el caso de que el consumo eléctrico aumente proporcionalmente con la temperatura exterior, o no lineal, si intervienen factores complejos con efectos combinados.

Durante el proceso de entrenamiento, el algoritmo analiza cómo se comporta la variable objetivo en función de los valores históricos de entrada. Por ejemplo, si se intenta predecir la producción de una línea de ensamblaje, el modelo puede aprender que dicha producción depende no solo del turno (mañana/tarde/noche), sino también de la humedad ambiental, el tiempo de operación y la presencia de operadores experimentados.

Dependiendo del tipo de regresión utilizada, el modelo puede:

• Ajustar una línea recta a los datos (Regresión Lineal),

• Aplicar penalizaciones para evitar sobreajuste (Regresión Ridge, Lasso),

• Construir relaciones más complejas mediante árboles (Árboles de regresión, Boosting),

• O incluso capturar interacciones no evidentes usando redes neuronales.

Una vez entrenado, el modelo es capaz de predecir valores numéricos sobre nuevos datos de entrada.

🧠 ¿Cuándo se utiliza?

La regresión es ideal cuando el objetivo es anticipar un número y no una categoría. Algunos ejemplos aplicados en entornos industriales o de monitoreo con TOKII podrían ser:

• Predecir el consumo energético de un edificio en función de variables ambientales.

• Estimar la temperatura esperada en un sistema HVAC.

• Calcular la producción diaria esperada de una línea de manufactura.

• Prever la duración restante de vida útil de un componente.

📦 Ejemplo práctico: Predicción del consumo eléctrico

Supongamos que en un edificio se quiere anticipar el consumo eléctrico por hora. Para ello, se cuenta con un historial de datos que incluye variables como:

• Temperatura exterior

• Día de la semana

• Hora del día

• Ocupación estimada

• Uso del sistema HVAC

Con estos datos, se entrena un modelo de regresión que aprende cómo estas variables se relacionan con el consumo real registrado (por ejemplo, en kWh).

Durante el entrenamiento, el modelo detecta patrones como que el consumo aumenta los lunes por la mañana con alta ocupación y temperaturas elevadas, o que disminuye durante las noches frías. A partir de ese conocimiento, puede predecir el consumo esperado en futuras condiciones.

Por ejemplo:

• Si mañana a las 14:00 h hay 28°C, día laboral y ocupación alta → el modelo puede predecir 42 kWh.

• Si el domingo a las 6:00 h hay 18°C y baja ocupación → podría predecir 12 kWh.

Estas predicciones pueden usarse para ajustar cargas energéticas, optimizar horarios de climatización o activar alertas si el consumo se desvía de lo previsto, todo dentro del ecosistema de TOKII.