Resultado de búsqueda
La regresión logística estima la probabilidad de que ocurra un evento, como votar o no votar, en función de un conjunto de datos dado de variables independientes. Este tipo de modelo estadístico (también conocido como modelo logit) se utiliza a menudo para la clasificación y el análisis predictivo.
- IBM SPSS Modeler
IBM® SPSS Modeler es compatible con árboles de decisión,...
- IBM Watson Studio
MLOps Watson Studio proporciona una plataforma de...
- IBM Watson Discovery
Navegue por sus datos para descubrir nuevos conocimientos...
- Spss Advanced Statistics
IBM® SPSS® Advanced Statistics provides a sophisticated set...
- IBM SPSS Modeler
En este post se explica qué es la regresión logística en estadística. Asimismo, encontrarás la fórmula de la regresión logística, cuáles son los diferentes tipos de regresión logística y, además, un ejercicio resuelto de la regresión logística.
La regresión logística es una de las diferentes técnicas de análisis de regresión que los científicos de datos utilizan habitualmente en machine learning (ML). Para entender la regresión logística, primero debemos entender el análisis de regresión básica.
En estadística, la regresión logística es un tipo de análisis de clasificación utilizado para predecir el resultado de una variable categórica (una variable que puede adoptar un número limitado de categorías) en función de las variables independientes o predictoras.
La regresión logística (RL) forma parte del conjunto de métodos estadísticos que caen bajo tal denominación y es la variante que corresponde al caso en que se valora la contribución de diferentes factores en la ocurrencia de un evento simple.
La regresión logística resulta útil para los casos en los que se desea predecir la presencia o ausencia de una característica o resultado según los valores de un conjunto de predictores. Es similar a un modelo de regresión lineal pero está adaptado para modelos en los que la variable dependiente es dicotómica.
La regresión logística es un caso especial del análisis de regresión y se utiliza cuando la variable dependiente tiene una escala nominal. Es el caso, por ejemplo, de la variable decisión de compra con los dos valores compra un producto y no compra un producto .
