1mo5qbfklshpun9uhysdjgg.png

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 reducir la velocidad y revisar las cosas básicas que hacen que todo esto funcione con una nueva edición de mi Serie MLBásicas.

La agenda de hoy es darle a nuestra vieja Regresión Logística una elegante actualización.

¿Por qué?

De forma predeterminada, la regresión logística se limita a problemas de clasificación de dos clases. Sin embargo, a menudo nos enfrentamos a problemas de clases múltiples.

Entonces, sumergámonos en el fascinante mundo de subir de nivel la Regresión Logística para poder ordenar cosas en más de dos canastas 👇🏻

En el campo ML, Regresión logística Se presenta como un modelo óptimo para problemas de clasificación binaria.

Es el camino confiable hacia la toma de decisiones.

Imagen del autor.  Regresión logística.
Imagen del autor. Regresión logística.

Sin embargo, hay un gran problema con la regresión logística: es como lanzar una moneda al aire: cara o cruz, A o B.

¿Pero qué pasa si tienes varias clases?

Imagen del autor.  Múltiples clases para clasificar.
Imagen del autor. Múltiples clases para clasificar.

La regresión logística no es suficiente para manejar una clasificación de clases múltiples. Por tanto, para realizarlo es necesario adaptar el modelo y existen dos opciones principales:

  • El primer enfoque simple es utilizar múltiples modelos de regresión logística simple para identificar cada una de las clases que queremos. Es una solución sencilla.
  • Un segundo enfoque es generar un nuevo modelo que acepte múltiples clases.

Así que analicemos ambos enfoques: