7 – Regresión Logística Multinomial

Lección 7 del curso Regresión Logística.

En la lección anterior vimos qué son y cómo se usan las técnicas de regularización en la Regresión Logística, que permiten de forma automática controlar el impacto que tienen las variables predictoras en las predicciones generadas por este tipo de modelos.

En esta última lección del curso veremos cómo usar la Regresión Logística para abordar problemas de clasificación multiclase, es decir cuando tenemos tres o más categorías en las cuales podemos clasificar los datos. Así que veremos qué son y cómo se implementan los modelos de Regresión Logística Multinomial.

Comencemos viendo en detalle la formulación matemática de este tipo de modelos:

Como acabamos de ver, existen dos cambios fundamentales en los modelos de Regresión Logística Multinomial con respecto a los modelos de Regresión Logística simple y multiclase vistos anteriormente:

• En primer lugar por cada categoría a predecir tendremos un conjunto de parámetros a obtener durante el entrenamiento
• Y en segundo lugar, los modelos multinomiales hacen uso de la función softmax (en lugar de la función logística o sigmoidal), con lo cual resulta posible predecir múltiples probabilidades (cada una asociada a una categoría en particular)

Así que teniendo claros los fundamentos matemáticos de este tipo de modelos, veamos cómo realizar su implementación en Python haciendo uso de la librería Scikit-Learn:

La implementación de estos modelos en Scikit-Learn sigue la misma lógica que vimos en lecciones anteriores: primero creamos la instancia del modelo y especificamos el método de regularización a usar (esta parte es opcional) y luego entrenamos el modelo con el método «fit()».

Al hacer esto, de forma automática Scikit-Learn determina que tenemos múltiples categorías y hace uso de la función softmax tanto para entrenar el modelo como para generar las predicciones.

Además, vimos que una limitación de todos los modelos de Regresión Logística es que proporcionan fronteras de decisión lineales. Esto quiere decir que resultan adecuados para clasificar datos que sean linealmente separables; si esta condición no se cumple será necesario usar modelos más sofisticados, como por ejemplo las Redes Neuronales (las cuales vemos en detalle en el curso Fundamentos de Deep Learning con Python).

Así que con esto hemos llegado al final de este curso: ¡te felicito por haber llegado hasta este punto! y te invito a tomar el siguiente curso en esta especialización: clustering en el Machine Learning.

Y desde luego, te invito a contactarme a través de la Intranet para que me compartas tus opiniones de este curso y tus sugerencias para seguir mejorando el contenido de la Academia.

¡Te envío un saludo y nos vemos en el próximo curso!

Todas las lecciones del curso Regresión Logística