{"id":134414,"date":"2021-12-16T16:32:36","date_gmt":"2021-12-16T15:32:36","guid":{"rendered":"https:\/\/multi.liora.io\/?p=134414"},"modified":"2026-02-26T13:57:05","modified_gmt":"2026-02-26T12:57:05","slug":"que-es-la-regresion-logistica","status":"publish","type":"post","link":"https:\/\/liora.io\/es\/que-es-la-regresion-logistica","title":{"rendered":"\u00bfQu\u00e9 es la regresi\u00f3n log\u00edstica?"},"content":{"rendered":"\n

Si te interesa, aunque sea m\u00ednimamente, el span Machine Learning y los problemas de clasificaci\u00f3n, ya has tenido que lidiar con el modelo de regresi\u00f3n log\u00edstica. \u00a1Y con raz\u00f3n! Se trata de uno de los modelos de Machine Learning<\/a> m\u00e1s sencillos e interpretables que existen, toma datos a la vez continuos o discretos y los resultados obtenidos con \u00e9l son muy acertados.\u00a0<\/strong><\/p>\n\n\n\n

Pero, \u00bfqu\u00e9 hay detr\u00e1s de ese m\u00e9todo milagroso? Y sobre todo, \u00bfc\u00f3mo utilizarlo en Python? La respuesta est\u00e1 en este art\u00edculo.<\/p>\n\n\n\n

Definici\u00f3n<\/h2>\n\n\n\n

La regresi\u00f3n log\u00edstica es un modelo estad\u00edstico<\/b> para estudiar las relaciones entre un conjunto de variables cualitativas Xi<\/b> y una variable cualitativa Y<\/b>. Se trata de un modelo lineal<\/b> generalizado que utiliza una funci\u00f3n log\u00edstica como funci\u00f3n de enlace<\/b>.<\/p>\n\n\n\n

Un modelo de regresi\u00f3n log\u00edstica tambi\u00e9n permite predecir la probabilidad<\/b> de que ocurra un evento (valor de 1) o no (valor de 0) a partir de la optimizaci\u00f3n de los coeficientes de regresi\u00f3n<\/b>. Este resultado siempre var\u00eda entre 0 y 1. Cuando el valor predicho supera un umbral, es probable que ocurra el evento, mientras que cuando ese valor est\u00e1 por debajo del mismo umbral, no es as\u00ed.<\/p>\n\n\n\n

Matem\u00e1ticamente, \u00bfc\u00f3mo se traduce\/escribe?<\/h2>\n\n\n\n

Consid\u00e9rons une entr\u00e9e  X= x1 x2 x3 \u2026  xn , la r\u00e9gression logistique a pour objectif de trouver une fonction h telle que nous puissions calculer :<\/p>\n\n\n\n

y= {1   si   hX\u2265 seuil ,  0   si   hX< seuil}  <\/p>\n\n\n\n

Por tanto, entendemos que se espera que nuestra funci\u00f3n h sea \u200b\u200buna probabilidad entre 0 y 1, parametrada por = 1 2 3 n para optimizar, y que el umbral que definimos corresponda a nuestro criterio de clasificaci\u00f3n, por lo general se toma como igual a 0,5.<\/p>\n\n\n\n

La funci\u00f3n que mejor cumple estas condiciones es la funci\u00f3n sigmoide<\/b>, definida en R con valores en [0,1]. Se escribe de la siguiente manera :<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Gr\u00e1ficamente, esto corresponde a una curva en forma de S<\/b> cuyos l\u00edmites son 0 y 1 cuando x tiende respectivamente a – y + \u221e pasando por y = 0,5 en x = 0.<\/p>\n\n\n\n

\"fonction
Funci\u00f3n sigmoide<\/figcaption><\/figure>\n\n\n\n

\u00bfY nuestra clasificaci\u00f3n en todo esto?<\/h2>\n\n\n\n

La funci\u00f3n h que define la regresi\u00f3n log\u00edstica se escribe entonces :<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Todo el problema de la clasificaci\u00f3n<\/b> por regresi\u00f3n log\u00edstica aparece entonces como un simple problema de optimizaci\u00f3n en el que, a partir de los datos, tratamos de obtener el mejor conjunto de par\u00e1metros \u0398<\/b> lo que permite que nuestra curva sigmoide se adhiera lo mejor posible a los datos<\/b>. Aqu\u00ed es donde entra el Machine Learning<\/b>.<\/p>\n\n\n\n

Una vez realizado este paso, as\u00ed se ver\u00eda el resultado que se puede obtener :<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Solo queda, una vez definido<\/b> el umbral, clasificar los puntos seg\u00fan sus posiciones en relaci\u00f3n con la regresi\u00f3n y ya tenemos nuestra clasificaci\u00f3n hecha.<\/p>\n\n\n\n

La regresi\u00f3n log\u00edstica en la pr\u00e1ctica<\/h2>\n\n\n\n

En Python<\/a> es bastante sencillo, usamos la clase LogisticRegression<\/b> del m\u00f3dulo sklearn.linear_model<\/b> como un clasificador normal y lo entrenamos con datos ya limpios y separados en conjuntos de entrenamiento y de prueba, y listo<\/b>.<\/p>\n\n\n\n

En cuanto a c\u00f3digo, es bastante b\u00e1sico : <\/p>\n\n\n\n

from sklearn.linear_model import LogisticRegression\nclf = LogisticRegression()\nclf.fit(X_train,y_train)\ny_pred = clf.predict(X_test)<\/code><\/pre>\n\n\n\n
Para aplicaciones m\u00e1s avanzadas, \u00bfpor qu\u00e9 no seguir el curso ofrecido por el equipo de Liora?<\/p>\n\n\n\n
\n
Descubrir nuestros cursos de Data<\/a><\/div>\n<\/div>\n\n\n\n