Hugging Face's logo

gusdelact
/
pastelerias-linear-regression

Tabular Regression
Scikit-learn
Joblib
linear-regression
tabular
regression
pastelerias
ventas
Model card Files
xet
 Community
pastelerias-linear-regression
File size: 2,334 Bytes
161b5db
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
---
license: apache-2.0
library_name: sklearn
pipeline_tag: tabular-regression
tags:
  - linear-regression
  - tabular
  - regression
  - pastelerias
  - ventas
---

# pastelerias-sales-predictor

## Información del Modelo
- **Tipo**: Regresión Lineal Múltiple (OLS)
- **Framework**: scikit-learn
- **Autor**: gusdelact
- **Fecha de entrenamiento**: 2026-06-24T22:00:39.750756
- **Formato**: joblib

## Uso Previsto
- **Tarea**: Regresión — predecir ventas mensuales de pastelerías
- **Variable target**: `Monthly sales`
- **Contexto**: Planificación de expansión de negocio de pastelerías

## Datos de Entrenamiento
- **Fuente**: [gusdelact/pasteleria](https://huggingface.co/datasets/gusdelact/pasteleria)
- **Dataset curado**: [gusdelact/pastelerias-curated](https://huggingface.co/datasets/gusdelact/pastelerias-curated)
- **Samples**: 10
- **Features**: 2

## Ecuación del Modelo

```
Monthly sales = 65.32
              + 41.51 × Floor space
              - 0.3409 × Distance to station
```

## Métricas de Evaluación (Leave-One-Out CV, N=10)

| Métrica | Valor |
|---------|-------|
| RMSE | 27.02 |
| MAE | 22.26 |
| R² | 0.9042 |

**Umbral de aceptación**: RMSE ≤ 50 → ✅ Cumplido

## Cómo Usar

```python
import joblib
import pandas as pd
from huggingface_hub import hf_hub_download

# Descargar modelo
model_path = hf_hub_download("gusdelact/pastelerias-linear-regression", "model.joblib")
model = joblib.load(model_path)

# Predecir
X_new = pd.DataFrame({
    "Floor space of the shop": [8],
    "Distance to the nearest station": [150]
})
prediction = model.predict(X_new)
print(f"Ventas predichas: {prediction[0]:.0f} unidades/mes")
```

## Interpretación de Coeficientes
- **+1 unidad de Floor space** → +41.5 ventas/mes
- **+1 metro de distancia a estación** → -0.34 ventas/mes
- **Base (intercepto)**: 65.3 ventas/mes

## Limitaciones
- Entrenado con solo 10 observaciones — intervalos de confianza amplios
- Solo válido dentro del rango observado (Floor: 5-10, Distance: 0-330)
- No captura relaciones no lineales ni interacciones
- Datos de una región específica (Japón)

## Fundamento Teórico
Ver `notes/03_design_modeling.md` en el repositorio del proyecto para la fundamentación
completa con citas a ESL §3.2 (OLS), ISLP §5.1.4 (LOO-CV) y FES §3.4.1 (CV con N pequeño).