En lugar de predecir exactamente 0 o 1, la regresión logística genera una probabilidad, un valor entre 0 y 1, exclusivo. Por ejemplo, considera un modelo de regresión logística para la detección de spam. Si el modelo infiere un valor de 0.932 en un mensaje de correo electrónico en particular, implica una probabilidad del 93.2% de que el mensaje sea spam. Más precisamente, significa que, en el límite de ejemplos de entrenamiento infinitos, el conjunto de ejemplos para los que el modelo predice 0.932 será realmente spam el 93.2% de las veces, y el 6.8% restante no lo será.
Regresión logística
¿Predices giros de monedas?
Imaginen el problema de predecir la probabilidad de cara y cruz en monedas curvadas.
Puede usar atributos como el ángulo de curva o la masa de la moneda.
¿Cuál es el modelo más simple que puedes usar?
¿Qué podría salir mal?
Regresión logística
Muchos problemas requieren una estimación de probabilidad como resultado
Ingrese regresión logística.
Regresión logística
Muchos problemas requieren una estimación de probabilidad como resultado
Ingrese regresión logística.
Es útil porque las estimaciones de probabilidad se calibran
.
por ejemplo, p(casa en venta) * precio = resultado esperado
Regresión logística
Muchos problemas requieren una estimación de probabilidad como resultado
Ingrese regresión logística.
Es útil porque las estimaciones de probabilidad se calibran.
por ejemplo, p(casa en venta) * precio = resultado esperado
También es útil cuando necesitamos una clasificación binaria
¿es spam o no es spam? → p(Spam)
Regresión logística: Predicciones
$$ y' = \frac{1}{1 + e^{-(w^Tx+b)}} $$
\(\text{Where:} \)
\(x\text{: Provides the familiar linear model}\)
\(1+e^{-(...)}\text{: Squish through a sigmoid}\)