MLBasics n.º 2: Desmitificando los algoritmos de aprendizaje automático con la simplicidad de la regresión logística
En el mundo de los datos y los programas informáticos, el concepto de aprendizaje automático puede parecer un hueso duro de roer, lleno de matemáticas complicadas e ideas complejas.
Es por eso que hoy quiero detenerme y revisar las cosas básicas que hacen que todo esto funcione con una nueva edición de mi serie MLBasics.
Revisaremos los modelos simples, pero muy importantes, que son el ABC del aprendizaje automático. Piensa en ello como si empezaras con las piezas fáciles de un gran rompecabezas. Volvemos a las cosas simples, donde es fácil entender lo que está pasando.
Así que acompáñenos mientras lo desglosamos y lo dejamos todo claro.
¡Sumerjámonos juntos en la regresión logística, paso a paso! 👇🏻🤓
En la vasta extensión de algoritmos de ML, la regresión logística se presenta como un modelo óptimo para problemas de clasificación binaria.
Es el camino confiable que tomamos cuando el terreno es categórico y el destino es la toma de decisiones.
La regresión logística no es simplemente una herramienta estadística, sino un dispositivo narrativo que traduce historias numéricas en resultados binarios.
Imagina que estás en una encrucijada donde cada camino conduce a un resultado distinto y tu elección es binaria: sí o no, verdadero o falso, A o B.
La regresión logística es la reina en este campo de dicotomías.
En esencia, la regresión logística se trata de probabilidades. Mide la probabilidad de que ocurra un evento.
¿Su principal objetivo? 🎯
La regresión logística tiene como objetivo encontrar la probabilidad de que un insumo determinado pertenezca a una determinada clase.