- ¿Qué es la regresión logística?
- Matemáticas involucradas en regresión logística
- Medición del desempeño mediante matrices de confusión
- Demostración de regresión logística con código Python
La regresión logística es uno de los algoritmos de aprendizaje automático más populares, que se utiliza en el caso de predecir varios conjuntos de datos categóricos.. Los conjuntos de datos categóricos tienen solo dos resultados, 0/1 o Sí / No
Tabla de contenido
1 ¿Qué es la regresión logística?
2 ¿Por qué aplicar la regresión logística?
3 Matemáticas involucradas en regresión logística
4 Implementación de regresión logística al hacer predicciones
5 Medición del rendimiento
6 características clave de la regresión logística
7 tipos de regresión logística
8 Implementación del código Python
1. ¿Qué es la regresión logística?
Es un tipo de algoritmos de aprendizaje automático de regresión que se implementan para resolver problemas de clasificación / categóricos,
Los problemas que tienen resultados binarios, como Sí / No, 0/1, Verdadero / Falso, son los que se denominan problemas de clasificación.
2. ¿Por qué aplicar la regresión logística?
La regresión lineal no da una buena línea de ajuste para los problemas que tienen solo dos valores (como se muestra en la figura). Dará menos precisión durante la predicción porque no cubrirá los conjuntos de datos, siendo de naturaleza lineal.
Para el mejor ajuste de los conjuntos de datos categóricos, se requiere una curva que es posible con la ayuda de la regresión logística, ya que utiliza una función sigmoidea para hacer predicciones.
3. Matemáticas involucradas en la regresión logística
La razón principal detrás de la flexión de la curva de regresión logística es que se calcula utilizando una función sigmoidea. (también conocida como función logística porque se utiliza en regresión logística) que se indica a continuación
Esta es la función matemática que tiene la ‘curva en forma de S’. El valor de la función sigmoide siempre se encuentra entre 0 y 1, por lo que se implementa para resolver problemas categóricos que tienen dos valores posibles.
4. Implementación de regresión logística al hacer predicciones
La regresión logística implementa la función sigmoidea para hacer predicciones en el caso de valores categóricos.
Establece un valor de punto de corte, que en su mayoría se establece en 0.5, que, cuando es superado por la salida prevista de la curva logística, da la salida prevista respectiva en forma de la categoría a la que pertenece el conjunto de datos.
Por ejemplo,
En el caso del modelo de predicción de la diabetes, si la salida supera el punto de corte, la salida de la predicción se dará como Sí para la diabetes; de lo contrario, No, si el valor está por debajo del punto de corte.
5. Medición del desempeño
Para medir el rendimiento del modelo en la resolución de problemas de clasificación, se está utilizando la matriz de confusión., a continuación se muestra la implementación de la Matriz de confusión.
Términos clave:
- – TN significa verdaderos negativos (El valor predicho (negativo) coincide con el valor real (negativo))
- – FP significa falsos positivos (El valor real fue negativo, pero el modelo predijo un valor positivo.)
- – FN son las siglas de falsos negativos(El valor real fue positivo, pero el modelo predijo un valor negativo)
- – TP significa verdaderos positivos (El valor predicho (positivo) coincidió con el valor real (positivo))
Para un buen modelo, uno no debe tener una gran cantidad de falsos positivos o falsos negativos
6. Características clave de la regresión logística
1. La regresión logística es uno de los algoritmos de aprendizaje automático más populares, utilizado en la técnica de aprendizaje automático supervisado. Se utiliza para predecir la variable dependiente categórica, utilizando un conjunto dado de variables independientes.
2. Predice la salida de una variable categórica, que es de naturaleza discreta. Puede ser Sí o No, 0 o 1, verdadero o falso, etc. pero en lugar de dar el valor exacto como 0 y 1, da el resultado como la probabilidad del conjunto de datos que se encuentra entre 0 y 1.
3. Es similar a la regresión lineal. La única diferencia es que la regresión lineal se usa para resolver problemas de regresión, mientras que la regresión logística se usa para resolver los problemas de clasificación / problemas categóricos.
4 En la regresión logística, la función logística (sigmoidea) en forma de “S” se utiliza como curva de ajuste, lo que da una salida entre 0 y 1.
7. Tipos de regresión logística
Hay tres tipos:
un binomio
b Ordinal
c Multinomial
un binomio
La regresión logística binomial se ocupa de los problemas con las variables objetivo que tienen solo dos valores posibles, 0 o 1.
Lo que puede significar Sí / No, Verdadero / Falso, Muerto / Vivo y otros valores categóricos.
b Ordinal
Regresión logística ordinal Se ocupa de aquellos problemas cuyas variables objetivo pueden tener 3 o más de 3 valores, desordenados por naturaleza. Esos valores no tienen ningún significado cuantitativo
Por ejemplo, casa tipo 1, casa tipo 3, casa tipo 3, etc.
c Multinomial
La regresión logística multinomial, simplemente Regresión logística ordinal, se ocupa de los problemas que tienen valores objetivo mayores o iguales a 3. La principal diferencia radica en que, a diferencia de Ordinal, esos valores están bien ordenados. Los valores tienen importancia cuantitativa
Por ejemplo, la evaluación de la habilidad como baja, media, experta
6. Implementación del código Python
[ Note: The Datasets Being Taken is The Titanic Dataset]
Importación de bibliotecas
importar pandas como pd
importar numpy como notario público
importar matplotlib.pyplot como plt
%matplotlib en línea
importar marinero como sns
sns, conjunto ()
Importar el conjunto de datos
titanic_data = pd.read_csv(‘titanic_train.csv’)
Realización de análisis de datos exploratorios:
1. Verificación de varias entradas nulas en el conjunto de datos, con la ayuda del mapa de calor
2.Visualización de diversas relaciones entre variables
3. Uso de Box Plot para obtener detalles sobre la distribución
sns.mapa de calor(titanic_data.es nulo(), cbar=Falso)
sns.countplot(X=‘Sobrevivió’, datos=titanic_data)
sns.countplot(X=‘Sobrevivió’, matiz=‘Sexo’, datos=titanic_data)
sns.countplot(X=‘Sobrevivió’, matiz=‘Pclass’, datos=titanic_data)
mapa de calor
La edad y la cabaña tienen entradas nulas
sns.diagrama de caja(titanic_data[‘Pclass’], titanic_data[‘Age’])
Usando la función para reemplazar entradas nulas
def input_missing_age(columnas):
la edad = columnas[0]
pasajero_clase = columnas[1]
si pd.es nulo(la edad):
si(pasajero_clase == 1):
regreso titanic_data[titanic_data[‘Pclass’] == 1][‘Age’].significar()
elifpasajero_clase == 2):
regreso titanic_data[titanic_data[‘Pclass’] == 2][‘Age’].significar()
elifpasajero_clase == 3):
regreso titanic_data[titanic_data[‘Pclass’] == 3][‘Age’].significar()
demás:
regreso la edad
Completar los datos de edad que faltan
titanic_data[‘Age’] = titanic_data[[‘Age’, ‘Pclass’]].solicitar(input_missing_age, eje = 1)
Eliminar datos nulos
titanic_data.soltar(‘Cabina’, eje=1, en su lugar = Cierto)
titanic_data.dropna(en su lugar = Cierto)
Crear variables ficticias para la columna Sexo y Embarcados
sex_data = pd.get_dummies(titanic_data[‘Sex’], drop_first = Cierto)
embarked_data = pd.get_dummies(titanic_data[‘Embarked’], drop_first = Cierto)
Agregue variables ficticias al DataFrame y elimine datos no numéricos
titanic_data = pd.concat([titanic_data, sex_data, embarked_data], eje = 1)
titanic_data.soltar([‘Name’, ‘PassengerId’, ‘Ticket’, ‘Sex’, ‘Embarked’], eje = 1, en su lugar = Cierto)
Imprima el conjunto de datos finalizado
titanic_data.cabeza()
Divida el conjunto de datos en datos xey
y_data = titanic_data[‘Survived’]
x_data = titanic_data.soltar(‘Sobrevivió’, eje = 1)
Divida el conjunto de datos en datos de entrenamiento y datos de prueba
de sklearn.model_selection importar train_test_split
x_training_data, x_test_data, y_training_data, y_test_data = train_test_split(x_data, y_data, test_size = 0,3)
Crea el modelo
de sklearn.Modelo lineal importar Regresión logística
modelo = Regresión logística()
Entrene el modelo y cree predicciones
modelo.encajar(x_training_data, y_training_data)
predicciones = modelo.predecir(x_test_data)
Calcular métricas de desempeño
de sklearn.métrica importar informe_clasificacion
impresión(informe_clasificacion(y_test_data, predicciones))
precision recall f1-score support
0 0.83 0.87 0.85 169
1 0.75 0.68 0.72 98
accuracy 0.80 267
macro avg 0.79 0.78 0.78 267
weighted avg 0.80 0.80 0.80 267
Genera una matriz de confusión
de sklearn.métrica importar matriz de confusión
impresión(matriz de confusión(y_test_data,
predicciones)
[[145 22]
[ 30 70]]Con esto termino este blog.
Hola a todos, Namaste
Me llamo Pranshu Sharma y soy un entusiasta de la ciencia de datos
Muchas gracias por tomarse su valioso tiempo para leer este blog. Siéntase libre de señalar cualquier error (después de todo, soy un aprendiz) y proporcionar los comentarios correspondientes o dejar un comentario.
Dhanyvaad !!
Realimentación:
Correo electrónico: [email protected]
Los medios que se muestran en este artículo no son propiedad de DataPeaker y se utilizan a discreción del autor.
