1. Casos de Uso
1.1. Diagnóstico Financiero de Bancos
1.1.1. Este caso trata sobre un sistema financiero en República Dominicana el cual es muy importante para su estabilidad económica. La Superintendencia de Bancos supervisa las entidades financieras para saber cuales pueden estar en riesgo de no poder pagar sus deudas. Sin embargo, la cantidad de datos financieros que recibe diariamente dificulta su eficiencia.
1.1.1.1. Para este caso se dan diferentes variables: Variables independientes: En estas tenemos la liquidez, la rentabilidad, la morosidad, el nivel de capitalización, los activos y los pasivos de los bancos. Variable dependientes: En este caso, sería la probabilidad de que un banco presente problemas financieros que se representaría con un número 1 o de que el banco este sano financieramente que sería un número 0.
1.1.2. El modelo de Regresión Logística se aplicó básicamente para predecir si una entidad bancaria tiene alto riesgo de insolvencia dependiendo de sus estados financieros. Se construyó un modelo a partir de datos históricos de bancos en buen estado y en problemas, permitiendo generar alertas tempranas.
1.1.2.1. Como resultados se tiene que se implementó un sistema de alerta temprana que permite centrarse en bancos con mayor riesgo. También hubo una reducción en el tiempo y costos de supervisión bancaria, así como una mejor estabilidad en el sistema financiero al prevenir crisis bancarias con anticipación.
1.2. Predicción de Riesgo Epidemiológico en Salud Pública
1.2.1. Este caso trata sobre estudios de salud pública y epidemiología, en donde es muy importante poder identificar factores de riesgo asociados a enfermedades.
1.2.1.1. Las variables que se toman en cuenta son: Variables independientes: La edad, el género, si padecen de tabaquismo o tienen antecedentes familiares, la presión arterial y el colesterol. Variable dependiente: Básicamente es la probabilidad de que un individuo desarrolle una enfermedad específica "1" o no "0".
1.2.2. El modelo de Regresión Logística es para evaluar la relación entre diferentes factores y la probabilidad de desarrollar una enfermedad. Este permitió controlar efectos de variables confusoras y generar estimaciones ajustadas.
1.2.2.1. Como resultados esta que se pudo identificar de los factores de mayor influencia en el desarrollo de estas enfermedades. Y que hubo una mejora en la toma de decisiones para la prevención y tratamiento.
1.3. Crecimiento Urbano y Uso del Suelo
1.3.1. El caso trata sobre las ciudades que están en constante crecimiento, en estas es importante pensar como se distribuirán los nuevos desarrollos urbanos para evitar problemas como el crecimiento desordenado, la falta de infraestructura y la pérdida de espacios verdes.
1.3.1.1. Tenemos las variables independientes: La distancia que tienen a las carreteras, la densidad de población, la accesibilidad al transporte, el terreno y la proximidad a áreas industriales. Y como variable dependiente: Esta la probabilidad de que un área cambie a uso urbano (1) o permanezca sin cambios (0).
1.3.2. El modelo de Regresión Logística se usa con una extensión que incorpora factores espaciales para modelar el crecimiento urbano en diferentes escenarios hasta el año 2050. En este caso se crearon modelos para analizar cómo ciertos factores afectan la probabilidad de urbanización en diferentes zonas.
1.3.2.1. Los resultados de este caso es que se pudo los factores clave que impulsan el crecimiento urbano en Madrid. Así como una planificación urbana y una reducción de impactos negativos como la congestión y la expansión descontrolada.
2. Referencias
2.1. Llaugel, F. A., & Fernández, A. I. (2011). Evaluación del uso de modelos de regresión logística para el diagnóstico de instituciones financieras. Ciencia y sociedad.
2.2. Molinero-Parejo, R., Aguilera-Benavente, F., & Gómez-Delgado, M. (2021). Regresión Logística Geográficamente Ponderada para identificar los factores explicativos de la distribución de usos de suelo en escenarios futuros de crecimiento urbano. Boletín de la Asociación de Geógrafos Españoles, (88).
2.3. Ortega Calvo, M., & Cayuela Domínguez, A. (2002). Regresión logística no condicionada y tamaño de muestra: una revisión bibliográfica. Revista Española de Salud Pública, 76, 85-93.
2.4. Chitarroni, H. (2002). La regresión logística.
2.5. Fiuza Pérez, M., & Rodríguez Pérez, J. C. (2000). La regresión logística: una herramienta versátil. Nefrología, 20(6), 495-500.
3. ¿Qué es?
3.1. Es una técnica o modelo estadístico, el cual es utilizado para predecir la probabilidad de que ocurra un determinado evento categórico, generalmente que solo puede tener dos valores (Si/No, 1/0, etc...). Dado que el resultado es una probabilidad, la variable dependiente está acotada entre 0 y 1.
4. Tipos
4.1. Clasificación Binaria
4.1.1. En los problemas que se usa este tipo de clasificación, los elementos suelen estar clasificados en dos grupos, no existen más opciones, es decir, cuando la variable dependiente tiene solo dos categorías (ejemplo: enfermo/no enfermo).
4.2. Clasificación Multiclase
4.2.1. En los problemas que se usa este tipo de clasificación, se tienen más de dos opciones de clasificar los elementos pero un elemento solo puede recibir una clasificación. Por ejemplo: clasificar un conjunto de imágenes de medios de transportes que incluye buses, aviones y barcos. Un bus es terrestre pero no puede ser aéreo o acuático.