Regresión lineal vs. Regresión logística: diferencia entre regresión lineal y regresión logística

El mundo del aprendizaje automático no estaría completo sin la presencia de dos de los algoritmos de aprendizaje automático más simples. Sí, tanto la regresión lineal como la regresión logística son los algoritmos de aprendizaje automático más sencillos que puede implementar. Antes de analizar cualquiera de las diferencias entre la regresión lineal y la logística, primero debemos comprender los conceptos básicos sobre los que se establecen los cimientos de estos dos algoritmos.

En primer lugar, ambos algoritmos son de aprendizaje supervisado por naturaleza. Es decir, los datos que ingresará en ambos algoritmos deben estar bien etiquetados. Otra cosa crítica a tener en cuenta son los casos de uso. Desde el principio, una diferencia evidente entre estos dos algoritmos son los casos de uso de ambos. La regresión lineal se usa siempre que nos gustaría realizar una regresión. Es decir, usamos la regresión lineal siempre que queremos predecir números continuos, como los precios de la vivienda en un área en particular.

Sin embargo, el uso de la regresión logística se realiza en problemas de clasificación. Es decir, si queremos predecir si una casa en particular es cara o barata (en lugar del precio), usamos el algoritmo de regresión logística. Sí, aunque la regresión logística tiene la palabra regresión en su nombre, se usa para clasificación.

Hay más sutilezas emocionantes que encontrará a continuación. Pero antes de comparar de frente la regresión lineal con la regresión logística, primero aprendamos más sobre cada uno de estos algoritmos.

Regresión lineal

La regresión lineal es el algoritmo de aprendizaje automático más fácil y simple de comprender e implementar. Es un algoritmo de aprendizaje supervisado, por lo que si queremos predecir los valores continuos (o realizar una regresión), tendríamos que servir este algoritmo con un conjunto de datos bien etiquetado. Este algoritmo de aprendizaje automático es más sencillo debido a su naturaleza lineal. Para predecir con éxito los valores futuros, la regresión lineal intenta una línea recta a través de los datos introducidos en el algoritmo.

Entonces, cada vez que se ingresa información en un algoritmo de regresión lineal, toma los datos y toma la ecuación de una línea recta, seleccionando aleatoriamente la pendiente y la intersección hasta que encuentra la línea que mejor se ajusta. Si los datos que ingresamos en este algoritmo solo contienen una sola variable independiente, entonces se llama regresión lineal simple.

Por otro lado, si los datos tienen múltiples variables independientes, la regresión se convierte en una regresión lineal múltiple. La forma matemática de la regresión lineal es simplemente la de una línea recta, que se muestra a continuación.

y= a0+a1x+ c

Aquí, y es la variable dependiente, a0 y a1 es el coeficiente que este algoritmo tiene la tarea de encontrar, x es la variable dependiente y c es el valor de intersección de esta línea recta.

Regresión logística

No hace falta decir que la regresión logística es uno de los algoritmos de aprendizaje automático de clasificación más sencillos pero muy poderosos bajo el paraguas de un algoritmo de aprendizaje supervisado. Este algoritmo se puede usar para problemas de regresión, pero se usa principalmente para resolver problemas de clasificación. El resultado que obtenemos de este algoritmo siempre está entre 0 y 1, por lo que resulta sencillo clasificar las instancias en clases mediante el uso de un valor de clasificación de umbral.

La palabra logística en el nombre se refiere a la función de activación, que se utiliza en esta regresión. La función de activación o la función logística, en este caso, en realidad no es más que la función sigmoidea. Es propiedad de esta función sigmoidea, que mantiene el valor de la regresión logística siempre entre cero y uno. La función sigmoidea se parece a esto:

Aquí, y es la salida a través de la función sigmoidea y x es la variable independiente. En el caso de la regresión logística, la variable x sería en realidad la ecuación de regresión lineal completa. Por lo tanto, se puede desarrollar la ecuación para la regresión logística, que se escribe a continuación:

Aquí, el significado de las variables es similar al de la regresión logística, x es la variable independiente, y es la variable dependiente, b0, b1, b2, etc., son el coeficiente que determina este algoritmo.

Diferencia entre regresión lineal y logística.

A continuación, encontrará una comparación completa de la regresión lineal frente a la regresión logística una al lado de la otra:

¿Querer aprender más?

Si está interesado en obtener más información sobre el aprendizaje automático, consulte el Diploma PG en aprendizaje automático e IA de IIIT-B y upGrad, que está diseñado para profesionales que trabajan y ofrece más de 450 horas de capacitación rigurosa, más de 30 estudios de casos y asignaciones, IIIT- B Estado de exalumno, más de 5 proyectos prácticos finales prácticos y asistencia laboral con las mejores empresas.