Hay un montón de buenos ejemplos de la necesidad de predecir un resultado binario. Dejemos eso de lado. La pregunta es: ¿por qué la regresión logística sobre cualquier número de otros métodos: máquinas de vectores de soporte, redes neuronales, bahías ingenuas, etc.
Primero, señalaré que si uno especifica la transformación correcta de X, el conjunto de predictores, entonces la regresión logística será tan buena o mejor que cualquier método competitivo. Ahora, uno todavía tiene que descubrir la transformación correcta de X. Más sobre eso más adelante.
En segundo lugar, si el modelo estadístico construido se va a poner en producción, los modelos de regresión logística ofrecen una forma de ponerlos en el código de la computadora utilizando funciones directas como +, *, log, etc. Para que un científico de datos pueda poner la ecuación matemática en sistema con relativa facilidad.
- ¿Cómo funciona el Big Data cuando faltan datos?
- ¿Existe algún conjunto de datos abierto de imágenes de resonancia magnética / rayos X que incluya diagnósticos, tratamiento, período de tratamiento, enfermedades crónicas si las hay y posibilidad de supervivencia?
- ¿Cómo funciona DC ++?
- Cómo usar mis vacaciones de verano para dedicarme a Data Science
- ¿Qué buscas en los científicos de datos?
Ahora, resulta que obtener la transformación correcta de X se puede lograr más fácilmente usando técnicas de modelado alternativas, como redes neuronales, refuerzo o bosques aleatorios. Para mí, cuando necesito poner un modelo en producción rápidamente con un simple código de computadora, primero construiré el mejor modelo fuera de la regresión logística, descubriré la transformación de X, transformaré X y luego construiré mi modelo final en regresión logística .
Como nota final, la regresión logística a veces se usa porque fue la primera técnica de modelado en el bloque y las personas> 10 años atrás se acostumbraron a esa técnica. Sé que esto es muy cierto en las finanzas de consumo donde los tomadores de decisiones lo usan porque no se sienten cómodos con (es decir, ignoran) otras técnicas.