Desde la página de Wikipedia sobre regresión logística:
En la regresión logística, se supone que los predictores tienen una relación lineal con las probabilidades de registro del resultado de “éxito”. Por ejemplo, si [math] \ beta_1 [/ math] en la ecuación anterior es 3, entonces las probabilidades de registro aumentarían en 3 (en promedio) por cada aumento en 1 unidad de [math] x_1 [/ math].
Para ver qué representa el término de sesgo [math] \ beta_0 [/ math], simplemente establezca todas [math] x_i [/ math] en 0. El odds log resultante es el término de sesgo. En otras palabras, el término sesgo es la probabilidad de registro “predeterminada” para el caso de que todos los predictores sean iguales a 0 (o igual al valor de referencia para predictores categóricos).
Por ejemplo, si [math] \ beta_0 [/ math] = 2.5, entonces las probabilidades de registro del resultado son 2.5. Esto es un poco difícil de interpretar, así que lo que podríamos hacer es convertir las probabilidades de registro en probabilidades (o más en probabilidad). La probabilidad es [matemática] exp (2.5) = 12.18 [/ matemática], es decir, el resultado de “éxito” es 12.18 veces más probable que el resultado de “falla”, si todos los predictores son iguales a 0.
- ¿Por qué Apple no equipa sus máquinas con mejores opciones de tarjeta de video?
- ¿Se siguen evaluando empíricamente las arquitecturas de redes neuronales profundas?
- ¿Es la tasa de falso rechazo (FRR) similar a la tasa de falsos positivos (FPR)? Entonces, si es similar, ¿por qué hay disponibles diferentes definiciones para cada una de ellas?
- Cómo lidiar con un conjunto de datos duro que no me da buenos resultados en la validación del modelo
- ¿Qué lenguaje de programación debería elegir junto a Python si estoy interesado en el aprendizaje automático?