1. La regresión logística es un modelo estadístico de clasificación que se usa para predecir la probabilidad de que una observación pertenezca a una de dos categorías (clasificación binaria) o a múltiples categorías (clasificación multiclase).
1.1. La regresión logística se basa en la función sigmoide: P(Y = 1|X)= 1/1+ e^(-(β_(0+) β_(1X_1…+β_n X_n )))
1.2. 1. **Clasificación binaria:** Predicción de si un cliente comprará o no un producto. 2. **Clasificación multiclase:** Clasificación de tipos de clientes en distintos segmentos.
1.3. **Desventajas:** No maneja bien relaciones no lineales. Sensible a datos atípicos y multicolinealidad.
1.4. **Ventajas:** Fácil de interpretar. Computacionalmente eficiente. Útil en clasificación de datos estructurados.
1.5. **Supuestos del Modelo** No debe haber multicolinealidad entre variables. Relación entre variables independientes y log-odds de la variable dependiente es lineal.
2. REFERENCIAS:
2.1. Diagnóstico de Diabetes. Artículo: Aplicación de un modelo predictivo con Regresión Logística en la detección de Diabetes
2.2. Clasificación de Clientes en Marketing. Artículo: Regresión Logística: Aplicaciones y Ejemplos Prácticos
2.3. Detección de Fraude Financiero. Artículo: Análisis predictivo
3. **Detección de Fraude Financiero**
3.1. **Contexto:** Identificar transacciones fraudulentas en tarjetas de crédito.
3.2. **Variables:** Monto de la transacción, ubicación, historial del usuario.
3.3. **Aplicación:** Se usó regresión logística para clasificar transacciones como fraudulentas o legítimas.
3.4. **Resultados:** Reducción del fraude financiero en un 30% con un modelo de alta precisión.
4. **Clasificación de Clientes en Marketing**
4.1. **Contexto:** Predecir si un cliente responderá a una campaña publicitaria.
4.2. **Variables:** Edad, ingresos, historial de compras, interacciones previas con la marca.
4.3. **Aplicación:** Se entrenó un modelo para asignar probabilidades de compra a cada cliente.
4.4. **Resultados:** Se optimizó la segmentación de campañas y se incrementó la tasa de conversión en un 20%.
5. **Diagnóstico Médico (Predicción de Diabetes)**
5.1. **Contexto:** Identificar pacientes con alto riesgo de desarrollar diabetes.
5.2. **Variables:** Edad, IMC, nivel de glucosa en sangre, presión arterial
5.3. **Aplicación:** Se entrenó un modelo de regresión logística con datos de salud de pacientes para predecir la probabilidad de diabetes.
5.4. **Resultados:** Se logró una precisión del 85% en la clasificación de pacientes con y sin diabetes.
