Es cuando realiza una regresión utilizando el logaritmo de la (s) variable (s) (log X, log Y) en lugar de las originales (X, Y).
Muchos procesos no son de naturaleza aritmética sino geométricos, como el crecimiento de la población, la desintegración radiactiva, etc. Una de las razones para aplicar la transformación logarítmica a una o ambas variables es que su relación está “linealizada” y se puede aplicar el modelo de regresión (lineal).
- ¿Es posible guardar el estado de una red neuronal?
- ¿Cómo se compara la industria del aprendizaje automático con las opciones de carrera dentro del desarrollo web?
- ¿Cuál es la diferencia entre alineación y deformación en visión artificial?
- Además del aprendizaje profundo, ¿qué otras herramientas de extracción de funciones están funcionando o son prometedoras para el aprendizaje automático?
- ¿Cuál es la mejor manera de aprender la regresión logística?
Otra razón es que los modelos de regresión suponen que los residuos (diferencias entre los valores observados y los pronosticados) se distribuyen normalmente en todos los niveles de las variables independientes y su varianza es constante. Si sus residuos no están distribuidos normalmente o su varianza no es constante, tomar el logaritmo de una variable sesgada podría mejorar el ajuste al alterar la escala y hacer que la variable esté más “normalmente” distribuida o estabilizada.
Aquí hay un buen artículo que explica esto: http://www.kenbenoit.net/courses…