Creo que la pregunta está mejor formulada: “¿Cómo se usa la regresión logística en el modelado predictivo?”
Para responder a esa pregunta, primero debemos analizar qué logra la regresión logística. El primer y más importante resultado de una regresión logística es que para un conjunto de variables independientes puede darle un 0 o 1 binario para una sola variable dependiente. Si puede obtener un buen ajuste / modelo, puede conectar los valores de las variables independientes para una nueva observación y predecir si el valor dependiente será 0 o 1.
Por ejemplo, supongamos que tiene un conjunto de datos que tiene variables independientes edad, sexo, estado, ciudad. Y, para esos puntos de datos, también tiene si esas personas fueron o no a la universidad. Si fueron o no a la universidad es un tipo de datos binarios, 0 si no fueron, 1 si lo hicieron. Ahora, puede ajustar una regresión logística a este conjunto de datos. Si el ajuste y los diagnósticos son buenos, puede tomar en edad, género, estado y ciudad los nuevos estudiantes y predecir si van o no a la universidad.
- ¿Dónde puedo encontrar el código fuente para construir un árbol de decisión usando el algoritmo ID3 en C?
- ¿Qué enfoque se debe tomar para decidir el modelo de clasificación?
- ¿Por qué el aprendizaje automático se usa mucho para la clasificación de anuncios de Google y menos para su clasificación de búsqueda? ¿Qué llevó a esta diferencia?
- ¿Los algoritmos subyacentes permiten a Shazam identificar una canción y Amazon Flow para identificar una imagen básicamente igual?
- ¿Cuáles son los mejores materiales de física estadística para redes neuronales profundas?
Hay cosas adicionales para las que puede usar regresiones logísticas. Por ejemplo, puede calcular cuánto contribuye cada variable independiente a la probabilidad de que alguien vaya a la universidad. O, dados los valores de alguien para sus variables independientes, puede calcular las razones de probabilidades de que alguien vaya a la universidad (que luego se puede calcular en una probabilidad).
Espero que esto ayude.