Regresión logística

Lección 15 de 19 del curso Introducción al aprendizaje automático de Coddy.

La regresión logística, a pesar de su nombre, es un modelo lineal utilizado principalmente para tareas de clasificación, no para regresión. Es ideal para situaciones en las que se desea predecir la presencia o ausencia de algo, como si un correo electrónico es spam o no. La regresión logística funciona bien para la clasificación binaria, pero puede extenderse a la clasificación multiclase mediante diferentes técnicas.

Fuente: wikipedia

En su esencia, la regresión logística predice la probabilidad de que un punto de entrada dado pertenezca a una clase determinada. A diferencia de la regresión lineal, que predice una salida continua, la regresión logística predice un resultado binario (1/0, Sí/No). El núcleo de la regresión logística reside en la función logística o función sigmoide, que mapea cualquier número de valor real a un valor entre 0 y 1, lo que la hace adecuada para la estimación de probabilidades.

Ajustar un modelo de regresión logística implica encontrar el mejor conjunto de coeficientes para la ecuación dados los datos de entrenamiento.

Si bien es eficiente y sencillo para la clasificación binaria, su rendimiento podría quedar por detrás de modelos más complejos para conjuntos de datos intrincados.

Ponte a prueba

Esta lección incluye un breve cuestionario. Empieza la lección para responderlo y registrar tu progreso.

Ponte a prueba

Esta lección incluye un breve cuestionario. Empieza la lección para responderlo y registrar tu progreso.

Ponte a prueba

Esta lección incluye un breve cuestionario. Empieza la lección para responderlo y registrar tu progreso.

Desafío

Fácil

Crea una función llamada sigmoid que reciba una lista que represente un punto de datos y devuelva el resultado de la función sigmoide. Usa numpy para resolver este problema.

Pruébalo tú mismo

import numpy as np
def sigmoid(point):
    arr = np.array(point)
    # Escribe el código aquí

Todas las lecciones de Introducción al aprendizaje automático

1El comienzo del viaje en ML

Introducción a ML Datos para alimentar un modelo Qué es un modelo de ML

4Algoritmo K-Means

Introducción a K-Means método fit método predict

2Introducción al aprendizaje automático

Aprendizaje supervisado Aprendizaje no supervisado

5Bayes ingenuo

Introducción a Naive Bayes método fit método predict

3K vecinos más cercanos (KNN)

Introducción a KNN método fit método predict

6Otros modelos

Regresión logísticaRegresión lineal Árbol de decisión Máquina de vectores de soporte (SVM)Cuestionario sobre modelos

Practica por tu cuenta: Compilador de Python online