Lección 4 del curso Regresión Logística.
En la lección anterior vimos cómo se realiza el entrenamiento de un modelo de Regresión Logística, el cual consiste en maximizar la función de verosimilitud.
En esta lección veremos cómo cuantificar el desempeño de un modelo de Regresión Logística usando las principales métricas: exactitud, precision, recall y f1-score. Además, veremos dos de las estrategias que más comúnmente podremos usar cuando queremos mejorar el desempeño de uno de estos modelos de clasificación.
Comencemos viendo entonces de forma práctica las diferentes estrategias que podemos usar para medir el desempeño de un modelo de Regresión Logística:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Muy bien, acabamos de analizar un ejemplo práctico de evaluación de un modelo de Regresión Logística usando la librería Scikit-Learn.
En este caso hemos usado un dataset desbalanceado, lo cual nos permitió ver las limitaciones de la exactitud (accuracy) al momento de evaluar este desempeño. Y también hemos visto qué son, cómo se calculan y en qué situaciones resulta recomendable usar el precision, el recall y el puntaje F1 (f1-score).
Veamos a continuación dos de las estrategias que podemos usar para modificar este desempeño en un modelo de Regresión Logística:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
En esencia, para mejorar las métricas de desempeño del modelo podemos ajustar el umbral sobre la probabilidad o usar la ponderación de clases. En todo caso, es importante tener en cuenta que en general estas estrategias nos permitirán mejorar una métrica a costa de otra: por ejemplo, podemos incrementar el recall pero sacrificando el precision (o viceversa). Así que el compromiso establecido al usar estas estrategias dependerá del problema de negocio que estemos resolviendo.
Así que en este punto ya tenemos claros todos los elementos que entran en juego al construir, entrenar y evaluar un modelo de Regresión Logística simple. Entonces, en la próxima lección nos enfocaremos en los modelos de Regresión Logística múltiple, que usan principios muy similares pero que nos permiten realizar la clasificación binaria de datos pero cuando tenemos múltiples variables predictoras.
Todas las lecciones del curso Regresión Logística