---
title: "¿Cómo hacer una predicción con Regresión Lineal en Notebooks?"
canonical: "https://onesaitplatform-es.refined.site/space/DOC/3479273503/%C2%BFC%C3%B3mo%20hacer%20una%20predicci%C3%B3n%20con%20Regresi%C3%B3n%20Lineal%20en%20Notebooks%3F"
format: markdown
---
Este tutorial se basa en el siguiente ejemplo: [link](https://github.com/chasinginfinity/ml-from-scratch/tree/master/03%20Linear%20Regression%20in%202%20minutes).

En la plataforma, utilizaremos los Notebooks para programar fácilmente una regresión lineal. En un post posterior, modificaremos este cuaderno para que permita parámetros y que pueda ser invocado desde una API REST.

En estadística, una regresión lineal es un enfoque lineal para modelar la relación entre una variable y una o más variables independientes.

- En primer lugar, debes conectarte al Entorno CloudLab en [https://lab.onesaitplatform.com](https://lab.onesaitplatform.com) y crear un usuario si no lo tienes.
- Por defecto se te asignará un rol **Developer, **pero para usar el módulo Noteboooks se necesita un rol **Analytics, **este rol se da bajo petición., puedes solicitarlo desde el propio Control Panel haciendo una petición de soporte e indicando para qué quieres el rol:
  Una vez en el Panel de Control de la Plataforma con este rol, puedes ir a la opción **ANALYTICS TOOLS>My Notebooks: **
  
- Desde la pantalla de listado de Notebooks seleccionaré el botón + para crear un nuevo Notebook:
- Le daremos un nombre al Notebook , luego accedemos a él y rellenamos los párrafos. Haciendo clic en Ctrl+Alt+T, puedes dar un título a un párrafo.

![image](media://75b7e976-8ddd-447f-a458-c4031de54b7a)

![image](media://e8bc15f3-ba4b-45a2-9344-71fa92740e3b)

- En el primer párrafo, recuperaremos el archivo de su ubicación (En este caso de ejemplo, GitHub) y echaremos un vistazo a su contenido:

```
%sh
mkdir /tmp/data
wget -O /tmp/data/data.csv https://raw.githubusercontent.com/chasinginfinity/ml-from-scratch/master/03%20Linear%20Regression%20in%202%20minutes/data.csv
cat /tmp/data/data.csv
```

![image](media://e68bc502-8913-46a2-8aca-768c2c41e857)

- Una vez que hayamos descargado el archivo, importaremos las bibliotecas de Python que vamos a utilizar:

```
%python
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.linear_model import LinearRegression
```

![image](media://fa5e4265-84e4-4747-9062-1bdf6505e903)

- El modelo de regresión son simplemente 6 líneas en la que cargamos el archivo mediante Pandas, se adaptan los valores entre -1 y 1, se modela la regresión y se hace una predicción sobre la variable Y:

```
%python
data = pd.read_csv('/tmp/data/data.csv')
X = data.iloc[:,0].values.reshape(-1,1) #values converts it into a numpy array
Y = data.iloc[:,1].values.reshape(-1,1) # -1 means that calculate the dimension of rows but have 1 column
linear_regressor = LinearRegression()
linear_regressor.fit(X,Y)
Y_pred = linear_regressor.predict(X)
```

![image](media://4bf37431-4baf-4301-be86-8ee8b4a22cc5)

- Por último, mostramos las variables utilizadas para la regresión y la predicción:


```
%python
plt.scatter(X,Y)
plt.plot(X,Y_pred, color='red')
plt.show
```

![image](media://f7c3bb93-d39b-4031-87aa-5296437721f0)

- Si vamos al último párrafo y seleccionamos Enlazar este párrafo, aparece una URL que podrás incrustar como iFrame en cualquier web:

![image](media://15a085ee-7ca3-40c8-b05c-de72102d7c29)