Foro de debate módulo 4

¡Gracias por tu aportación, Silvestre!
Efectivamente, todos los ejemplos que mencionas —como la predicción de niveles de expresión génica, etc.— son claros casos donde se aplica la regresión. Son problemas en los que el objetivo es estimar un valor numérico continuo, por lo que encajan perfectamente dentro de este tipo de modelos.
En cambio, en los problemas de clasificación, la variable de salida es categórica. No siempre tiene por qué ser binaria: podemos encontrar clasificaciones con múltiples clases, por ejemplo, distintos estados de salud, subtipos tumorales, etc.
¡Gracias de nuevo por tu contribución! Este tipo de reflexiones enriquecen mucho el debate y ayudan a visualizar mejor las diferencias entre cada tipo de problema.
-------------
Thank you for your contribution, Silvestre!
Indeed, all the examples you mention —such as predicting gene expression levels, etc.— are clear cases where regression is applied. These are problems in which the goal is to estimate a continuous numerical value, so they fit perfectly within this type of modeling.
In contrast, in classification problems, the output variable is categorical. It does not always have to be binary: we can find classifications with multiple classes, for example, different health states, tumor subtypes, etc.
Thanks again for your contribution! These kinds of reflections greatly enrich the discussion and help clarify the differences between each type of problem.

Un ejemplo fundamental en epidemiología molecular es la estimación de la edad biológica a partir de datos de metilación del ADN, los conocidos como relojes epigenéticos. En este caso, la regresión es muy superior a la clasificación porque no buscamos etiquetas simplistas como "joven" o "viejo", sino un valor continuo que refleje el desgaste celular real y el envejecimiento acelerado de un individuo respecto a su edad cronológica.Otro problema clásico de regresión es la predicción de la afinidad de unión (binding affinity) entre un fármaco candidato y su proteína diana. En el cribado virtual, no nos basta con una respuesta binaria de "se une" o "no se une"; necesitamos estimar valores numéricos precisos como la constante de disociación ($K_d$). Esta finura que aporta la regresión es lo que permite a los investigadores priorizar qué moléculas tienen el potencial químico suficiente para pasar a la fase de experimentación en el laboratorio. Al final, la regresión nos permite capturar gradientes biológicos que la clasificación a menudo ignora.A fundamental example in molecular epidemiology is the estimation of biological age using DNA methylation data, commonly known as epigenetic clocks. In this case, regression is far superior to classification because we are not looking for simplistic labels like "young" or "old," but rather a continuous value that reflects actual cellular wear and tear and accelerated aging relative to an individual's chronological age.Another classic regression problem is predicting the binding affinity between a candidate drug and its target protein. In virtual screening, a binary "binds" or "does not bind" response is not enough; we need to estimate precise numerical values such as the dissociation constant ($K_d$). The granularity provided by regression is what allows researchers to prioritize which molecules have enough chemical potential to move into the laboratory testing phase. Ultimately, regression allows us to capture biological gradients that classification often ignores.