Lección 5 del curso Regresión Logística.
En la lección anterior vimos cómo evaluar un modelo de regresión logística, usando métricas como la exactitud (accuracy), el precision, el recall y el F1-score.
Así que en este punto, con lo visto en las tres lecciones anteriores, ya tenemos todos los elementos conceptuales y prácticos necesarios para implementar y evaluar modelos de Regresión Logística simple.
Entonces, en esta lección vamos a extender las ideas que hemos aprendido acerca de los modelos de Regresión Logística simple para el caso en el cual tendremos múltiples variables predictoras. Es decir que veremos en detalle qué son y cómo implementar de forma práctica modelos de Regresión Logística múltiple:
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 ver en detalle la formulación matemática de un modelo de Regresión Logística múltiple y acabamos de ver, a través de un ejemplo práctico, cómo entrenar y validar este tipo de modelos usando las librerías Scikit-Learn y statsmodels de Python.
Además, vimos que cuando tenemos múltiples variables predictoras siempre es necesario realizar su escalamiento antes de entrenar el modelo (tal como ocurría en el caso de la Regresión Lineal Múltiple).
Además, cuando usamos múltiples variables predictoras surge la pregunta: ¿son igualmente importantes todas las variables al momento de generar predicciones con el modelo?
Y una manera de responder a esta pregunta es realizando la selección de variables o usando técnicas de regularización en la Regresión Logística, las cuales serán precisamente el tema de la próxima lección.
Todas las lecciones del curso Regresión Logística