Métricas de Regresión

Este reto se centra en evaluar un modelo de regresión lineal simple utilizando diversas métricas de desempeño en Python con Scikit-Learn. Con un dataset sintético, establecerás y evaluarás el modelo, calculando métricas de error comunes para entender la precisión de tus predicciones.

Para este ejercicio, puedes utilizar el dataset load_diabetes de sklearn.datasets, que nos proporciona datos de diabetes comúnmente usados para tareas de regresión.

1. Carga de datos: Usa el conjunto de datos de diabetes que proporciona sklearn.datasets.load_diabetes.
2. División de datos: Separa los datos en conjuntos de entrenamiento y prueba utilizando train_test_split, dejando un 80% para entrenamiento y un 20% para prueba.
3. Creación del modelo: Implementa un modelo de Regresión Lineal
4. Entrenamiento del modelo: Entrena el modelo con los datos de entrenamiento.
5. Predicciones: Realiza predicciones sobre el conjunto de datos de prueba.
6. Cálculo de métricas: 
   1. Calcula y muestra el Error Medio Absoluto (MAE)
   2. Error Cuadrático Medio (MSE)
   3. Coeficiente de Determinación (R²).