La regresión ordinal es un tipo de algoritmo de aprendizaje estadístico que se utiliza para hacer predicciones en el análisis de datos. Se utiliza ampliamente para analizar conjuntos de datos con valores objetivo que son números enteros, categorías o, en algunas situaciones, valores continuos. Es una técnica de aprendizaje supervisado que predice la probabilidad de que una variable objetivo categórica esté en una categoría de un conjunto predefinido de categorías.
La regresión ordinal se utiliza comúnmente en aplicaciones de aprendizaje automático, como la predicción de fraudes con tarjetas de crédito o diagnósticos médicos. También se puede utilizar para investigaciones en áreas como la medicina y la psicología. El algoritmo funciona encontrando una función lineal o polinómica que separe mejor los datos de entrada en varias categorías de salida.
Por ejemplo, el algoritmo de regresión ordinal podría usarse para predecir las relaciones entre adultos y niños en un conjunto de datos que incorpore factores como edad, género, ubicación, educación y tipo de trabajo. Luego, cada uno de los puntos de datos podría clasificarse en diferentes categorías, como madre-hijo, padre-hijo, tía-sobrino, etc. El algoritmo de regresión ordinal generará la relación adulto-hijo más probable según los datos ingresados.
La regresión ordinal también se utiliza en la investigación de mercado para comprender mejor las preferencias de los consumidores. Se ha empleado en pronósticos y predicciones en ventas, toma de decisiones analíticas e incluso colocación de productos en las tiendas.
Los algoritmos más populares para la regresión ordinal incluyen la regresión logística, clasificadores de árboles de decisión, redes neuronales, máquinas de vectores de soporte y métodos basados en rangos. La regresión logística es el algoritmo más común utilizado, ya que es robusto frente a valores atípicos y puede manejar múltiples categorías, PERO todas las alternativas también tienen ventajas específicas en ciertos escenarios.
