Ok, comencemos desde donde ambos son iguales. Ambos son algoritmos supervisados de Machine Learning que tienen dos desafíos principales:
- Entrenando al modelo
- Prediciendo desde el modelo
Ok, ahora ya hemos limitado nuestra primicia, pero aún no es suficiente, hay muchos algoritmos de ML supervisados diferentes. ANN (Redes neuronales artificiales) y Regresión logística son algoritmos relacionados con problemas de clasificación en los que tiene un número discreto de posibilidades (por ejemplo, no un valor continuo).
La regresión logística puede tener una clasificación de variable única donde muchas personas usan la función sigmoidea y la función softmax para problemas de clasificación multiclase. Neural Networks tiene una “estructura” muy particular donde tiene una capa de entrada, al menos una capa oculta y finalmente una capa de salida.
- ¿Es posible asegurar trabajos solo en base a la experiencia en aprendizaje automático sin ser un ingeniero de software adecuado?
- ¿Es demasiado tarde para sumergirme en Data Science, ya que se están desarrollando poderosas herramientas de aprendizaje automático y ya hay muchos científicos de datos hábiles?
- ¿Se pueden usar las colecciones LETOR para una recuperación ad hoc?
- ¿Alguien ha probado el cableado cíclico de la red neuronal?
- ¿El aprendizaje automático es el futuro del mundo de la programación?
Ambos algoritmos tienen un problema similar: encontrar el mejor valor para sus parámetros . Por lo general, las personas usan el descenso de gradiente en la regresión logística para minimizar la función de costo y en cada iteración mejores valores para ajustarse a sus datos. En las redes neuronales tiene una forma diferente (pero no tan diferente), utilizamos la propagación inversa para encontrar los parámetros (o pesos) de nuestras entradas.
Hay un caso interesante cuando tiene una red neuronal con un nodo de entrada, un nodo oculto y un nodo de salida, cuando usa softmax donde puede verificar que esta estructura de red neuronal es equivalente a una regresión logística.
Para hacer sus predicciones, cada uno usa una forma diferente. La regresión logística utiliza la función sigmoidea para encontrar una probabilidad P (Y = 1 | Given_X) donde 1 es una clase y 0 es la otra posibilidad. En las redes neuronales, debe usar ForwardPropagation y luego, en la última parte, usará softmax u otra función para encontrar la probabilidad de que esa entrada específica sea de una clase 1,2, …, K. Tenga en cuenta que en las redes neuronales generalmente usará (si no la mayoría de las veces) para problemas de clasificación de múltiples clases, como encontrar clases específicas en imágenes (números, letras, personas, automóviles, etc.) y en regresión logística cuando no es de varias clases como con One-vs-All o softmax se utilizará en la clasificación binaria.
Para una explicación más detallada, sugeriría esta guía de Stanford para Algoritmos de aprendizaje supervisado que va desde Regresión lineal, Regresión logística, Regresión de Softmax, Redes neuronales, etc. Lo recomiendo encarecidamente para que pueda tener por su cuenta el sólido conocimiento sobre estos temas:
Tutorial de aprendizaje de características y aprendizaje profundo sin supervisión
