Qué es la regresión logística
Regresión logística es en realidad un algoritmo de clasificación, a pesar de la palabra "Regresión" en su nombre.
Recibe su nombre porque se basa en la regresión lineal, pero utiliza una función logística (sigmoide) para convertir la salida en probabilidades, lo que le permite clasificar datos en categorías en lugar de predecir valores continuos.
Suponga que desea predecir si una persona incumplirá un primer préstamo (sin historial crediticio disponible).
En la regresión lineal, se construye una ecuación para predecir valores numéricos. Se puede utilizar la misma ecuación para calcular un "puntaje de confiabilidad". Este tendrá en cuenta características como ingresos, duración del empleo actual, relación deuda-ingresos, etc. Un puntaje de confiabilidad más alto significa una menor probabilidad de incumplimiento.
Los valores β son los parámetros que el modelo necesita aprender. Durante el entrenamiento, el ordenador ajusta estos valores para realizar mejores predicciones. Lo hace intentando minimizar la diferencia entre los resultados predichos y las etiquetas reales; esta diferencia se mide mediante lo que se denomina función de pérdida.
Para convertir la salida bruta del modelo en una etiqueta de clase (0 o 1), la Regresión Logística utiliza una función sigmoide. Esta función toma cualquier número real y lo ajusta a un rango entre 0 y 1, lo que permite interpretarlo como una probabilidad.
La función sigmoide se define como:
σ(z)=1+e−z1Aquí, z es la puntuación (también llamada logit) que calculamos previamente.
Dadas dos clases: 1 (una persona incumplirá un primer préstamo) y 0 (una persona no incumplirá un primer préstamo), después de aplicar la sigmoide, obtenemos la probabilidad de que la instancia pertenezca a la clase 1.
Para tomar una decisión final (0 o 1), se compara la probabilidad con un umbral - normalmente 0.5:
- Si la probabilidad es mayor que 0.5, se predice 1;
- Si es menor o igual a 0.5, se predice 0.
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Can you explain why logistic regression is used for classification instead of regression?
How does the loss function work in logistic regression?
What is the significance of the sigmoid function in logistic regression?
Awesome!
Completion rate improved to 4.17Qué es la regresión logística
Desliza para mostrar el menú
Regresión logística es en realidad un algoritmo de clasificación, a pesar de la palabra "Regresión" en su nombre.
Recibe su nombre porque se basa en la regresión lineal, pero utiliza una función logística (sigmoide) para convertir la salida en probabilidades, lo que le permite clasificar datos en categorías en lugar de predecir valores continuos.
Suponga que desea predecir si una persona incumplirá un primer préstamo (sin historial crediticio disponible).
En la regresión lineal, se construye una ecuación para predecir valores numéricos. Se puede utilizar la misma ecuación para calcular un "puntaje de confiabilidad". Este tendrá en cuenta características como ingresos, duración del empleo actual, relación deuda-ingresos, etc. Un puntaje de confiabilidad más alto significa una menor probabilidad de incumplimiento.
Los valores β son los parámetros que el modelo necesita aprender. Durante el entrenamiento, el ordenador ajusta estos valores para realizar mejores predicciones. Lo hace intentando minimizar la diferencia entre los resultados predichos y las etiquetas reales; esta diferencia se mide mediante lo que se denomina función de pérdida.
Para convertir la salida bruta del modelo en una etiqueta de clase (0 o 1), la Regresión Logística utiliza una función sigmoide. Esta función toma cualquier número real y lo ajusta a un rango entre 0 y 1, lo que permite interpretarlo como una probabilidad.
La función sigmoide se define como:
σ(z)=1+e−z1Aquí, z es la puntuación (también llamada logit) que calculamos previamente.
Dadas dos clases: 1 (una persona incumplirá un primer préstamo) y 0 (una persona no incumplirá un primer préstamo), después de aplicar la sigmoide, obtenemos la probabilidad de que la instancia pertenezca a la clase 1.
Para tomar una decisión final (0 o 1), se compara la probabilidad con un umbral - normalmente 0.5:
- Si la probabilidad es mayor que 0.5, se predice 1;
- Si es menor o igual a 0.5, se predice 0.
¡Gracias por tus comentarios!
