Em vez de prever exatamente 0 ou 1, a regressão logística gera uma
probabilidade, um valor entre 0 e 1, exclusivo. Por exemplo, considere um
modelo de regressão logística para detecção de spam. Se o modelo inferir um valor de 0,932 em uma determinada mensagem de e-mail, isso implica uma probabilidade de 93,2% de que a mensagem seja spam. Mais precisamente, isso significa que, no limite de exemplos de treinamento infinito,
o conjunto de exemplos para os quais o modelo prevê 0,932 será, na verdade, spam 93,2% das vezes, e os 6,8% restantes não.
Regressão logística
Está previsto para o lançamento de moedas?
Imagine o problema de prever a probabilidade de cara para moedas curvadas
É possível usar atributos como ângulo de curvatura, massa da moeda etc.
Qual é o modelo mais simples que você pode usar?
O que pode dar errado?
Regressão logística
Muitos problemas exigem uma estimativa de probabilidade como saída
Digite Regressão logística.
Regressão logística
Muitos problemas exigem uma estimativa de probabilidade como saída
Digite Regressão logística.
Útil porque as estimativas de probabilidade são calibradas
por exemplo, p(house venderá) * price = resultado esperado
Regressão logística
Muitos problemas exigem uma estimativa de probabilidade como saída
Digite Regressão logística.
Útil porque as estimativas de probabilidade são calibradas
por exemplo, p(house venderá) * price = resultado esperado
Também é útil quando precisamos de uma classificação binária
é spam ou não é spam? → p(Spam)
Regressão logística -- Previsões
$$ y' = \frac{1}{1 + e^{-(w^Tx+b)}} $$
\(\text{Where:} \)
\(x\text{: Provides the familiar linear model}\)
\(1+e^{-(...)}\text{: Squish through a sigmoid}\)