Regresión Logistica
por juan Carlos Soto Mendez
1. Evaluación del modelo
1.1. Relación lineal entre variables independientes y el logaritmo de las probabilidades
1.2. Independencia de las observaciones
1.3. Sin multicolinealidad
2. Fundamentos Matematicos
2.1. Función Sigmoide
2.1.1. Fórmula: σ(z) = 1 / (1 + e^(-z))
2.1.2. Mapea cualquier valor real a un rango entre 0 y 1
2.2. Modelo Logit
2.2.1. Relación entre la probabilidad y la función logística
3. Aplicaciones
3.1. Clasificación binaria (Ej.: Spam/No Spam)
3.2. Diagnóstico médico (Ej.: Enfermo/No Enfermo)
3.3. Análisis de riesgo (Ej.: Predicción de impago)
4. Ventajas y Desventajas
4.1. Ventajas
4.1.1. Interpretabilidad
4.1.2. Fácil de implementar
4.2. Desventajas
4.2.1. No funciona bien con relaciones no lineales
4.2.2. Sensible a valores atípicos
5. Diferencias con la regresión Lineal
6. ¿Que es la regresión logistica?
6.1. Modelo de clasificaciones
6.2. Predice Probabilidades
7. Algoritmo de entrenamiento
7.1. Función de costo
7.1.1. Costo Logaritmico (Log-Loss)
7.2. Optimización
7.2.1. Gradiente Descendente
7.3. Regularización
7.3.1. Evitar Sobreajuste (L1, L2)