Regresión Logística

Definición Rápida

A pesar de su nombre “Regresión”, es un algoritmo de CLASIFICACIÓN. Se usa para predecir la probabilidad de que algo sea Verdadero (1) o Falso (0). Ejemplo: ¿Este email es Spam? (Sí/No)

🧠 ¿Qué es y cómo funciona?

Imagina que quieres clasificar si un tumor es maligno (1) o benigno (0) según su tamaño.

• Si usaras Regresión Lineal, la línea recta podría darte valores como 1.5 o -0.2 (lo cual no tiene sentido para una probabilidad).
• La Regresión Logística “aplasta” esa línea para que siempre esté entre 0 y 1.

La Función Sigmoide (La clave de todo) 📉

Es la función matemática que convierte cualquier número (infinito negativo a infinito positivo) en un valor entre 0 y 1.

$$\sigma (z)=\frac{1}{1+e^{-z}}$$

• Si $z$ es muy grande positivo $\to$ Probabilidad $\approx 1$
• Si $z$ es muy grande negativo $\to$ Probabilidad $\approx 0$
• Si $z=0$ $\to$ Probabilidad $=0.5$ (El punto de decisión)

🆚 Diferencias Clave

Característica	Regresión Lineal	Regresión Logística
Objetivo	Predecir un número continuo (Ej: Precio de casa)	Predecir una etiqueta/clase (Ej: Gato o Perro)
Salida	$(-\infty ,+\infty )$	Probabilidad $[0,1]$
Línea de ajuste	Recta	Curva en forma de “S” (Sigmoide)
Uso principal	Predicción / Forecasting	Clasificación Binaria

🎲 Concepto de Odds (Posibilidades)

Es otra forma de expresar probabilidad, muy usada en apuestas.

$$Odds=\frac{P(\text{eˊxito})}{P(\text{fracaso})}=\frac{P}{1-P}$$

Ejemplo:

• Probabilidad de ganar = 0.8
• Probabilidad de perder = 0.2
• $Odds=0.8/0.2=4$
• Significa: “Es 4 veces más probable ganar que perder”.

Log-Odds (Logit)

Si aplicas el logaritmo a las Odds, obtienes una línea recta. De ahí viene la conexión con la regresión lineal. $\ln (\frac{P}{1-P})={\beta }_0+{\beta }_{1}X$

� Ejemplo en Python (Scikit-Learn)

from sklearn.linear_model import LogisticRegression
 
# 1. Crear el modelo
modelo = LogisticRegression()
 
# 2. Entrenar (X = datos, y = etiquetas 0 o 1)
modelo.fit(X_train, y_train)
 
# 3. Predecir
prediccion = modelo.predict(X_new)         # Devuelve 0 o 1
probabilidad = modelo.predict_proba(X_new) # Devuelve [0.2, 0.8]

🎴 Flashcards para Examen

¿La Regresión Logística es para regresión o clasificación?::Clasificación (a pesar del nombre). card

¿Qué función fuerza la salida a estar entre 0 y 1?::La función Sigmoide. card

¿Cuál es el umbral (threshold) por defecto para decidir 0 o 1?::0.5 card

🔗 Referencias

• Regresión Lineal (Su hermana para variables continuas)

• Matriz de Confusión (Cómo evaluamos si el modelo funciona)

🚧 Plan de Mejora / Tareas Pendientes

Define las tareas que te ayudarán a subir tu nivel-comprension en la próxima revisión. Usa los tags: #mejora-concepto, #mejora-practica, #mejora-analogia.

• Tarea para aclarar una duda de concepto. Usa mejora-concepto
• Tarea para implementar un ejercicio práctico. Usa mejora-practica
• Tarea para crear una analogía o diagrama. Usa mejora-analogia

🧪 Aplicación

• Explicarlo sin consultar la nota
• Resolver un caso nuevo o escribir un ejemplo
• Compararlo con una alternativa
• Usarlo en un proyecto

🔗 Conexiones explicadas

• — Se relaciona porque…