En estadística, la regresión logística es un tipo de análisis de regresión utilizado para predecir el resultado de una variable categórica en función de las variables independientes o predictoras. Es útil para modelar la probabilidad de un evento ocurriendo en función de otros factores.
Gracias por el video. Sería interesante una segunda parte viendo el error del modelo con datos de test, y el comportamiento del modelo sobre datos nuevos de pacientes, es decir con pacientes con unos BMI (o con más variables) concretos, crear un dataframe con la probabilidad de que tenga o no diabetes, y aventurarnos a poner un corte en el BMI (o más variables) para finalmente clasificar a cada nuevo paciente con un 0 ó con un 1 (no-diabetes o sí-diabetes respectivamente) a partir de una probabilidad.
Genial la explicación. Muy clara y valoro un montón que hayas explicado la teoría matemática detrás de la función, gracias a eso la entendí bien, cosa que mi profe de bootcamp no supo explicar
Hola Rafa, muy agradecido por compartir el video, muy bien explicado y bastante útil!. Tengo un consultita, se podría hablar de un coeficiente de regresión para la regresión logística.
Noooo si estaba buscando cobre y encontré oro. muchas gracias, has resolvió un problema que venia conmigo desde 4 días, no entendía nada llegar a ti fue como encontrar el tesoro de regreso a mi hogar, ya me estaba rindiendo. muchas gracias.
Hola Rafa, tremenda explicación me sirvió un montón para aprender lo que necesitaba y fue super claro, tengo una única duda y es sobre la interpretación de los resultados, donde podría observar la probabilidad de cada "paciente" de tener o no diabetes?
YO USE ESTO, PERO NO SE SI ESTA CORRECTO o si esta forma de hacerla también está bien: # Crear el modelo sgd_model = SGDClassifier(loss='log_loss', penalty=None, max_iter=1000, learning_rate='constant', eta0=0.1) # Entrenar el modelo sgd_model.fit(X_train, y_train) # Hacer predicciones en los datos de prueba y_pred = sgd_model.predict(X_test) # Calcular la precisión del modelo acc = accuracy_score(y_test, y_pred) print("Accuracy: {:.2f}%".format(acc * 100)) # Calcular el recall del modelo recall = recall_score(y_test, y_pred) print("Recall: {:.2f}%".format(recall * 100)) # Calcular el precision del modelo precision = precision_score(y_test, y_pred) print("Precision: {:.2f}%".format(precision * 100)) # Calcular el f1-score del modelo f1 = f1_score(y_test, y_pred) print("F1-score: {:.2f}".format(f1))
Hola! Buenas. Podrías darme tu opinión sobre las materias que tiene este plan de estudios CC en cuanto a materias transferibles a ciencia de datos, IA, machine learning, de ese tipo de rubro. 1. Algoritmos y Resolución de Problemas 2. Matemática Básica (creo que es logica matemática) 3.Algebra Lineal 4.Programación Orientada a Objetos 5. Matemática Discreta 6.Análisis Matemático 1 y 2 7.Estructura de Datos y Algoritmos 8. Paradigmas de Lenguajes 9.Probabilidad y Estadística 10.Base de Datos 11.Ingeniería de Software 1 2 3 12. Algoritmos Numéricos 13. Teoría de autómatas y computabilidad 14.Inteligencia Artificial 16.Compiladores 17.Arquitectura de Computadoras 18.Teoría de la Información 19.Sistemas Distribuidos Y optativas que podría tal vez elegir materias relacionas al tema IA machine learning modelado etc. Seleccione estas porque son las que creo que tendría que ver con el tema programación/matemática, me ayudarías mucho la opinión de alguien con experiencia en el tema, para tener un panorama mejor, ojalá puedas hacerlo. Desde ya muchas gracias. Saludos!
Siento que éste canal está muy subestimado por TH-cam. Es una verdadera joya. Un enorme saludo Rafa. Y muchas gracias por la explicación!!
En estadística, la regresión logística es un tipo de análisis de regresión utilizado para predecir el resultado de una variable categórica en función de las variables independientes o predictoras. Es útil para modelar la probabilidad de un evento ocurriendo en función de otros factores.
Muy claro!! Felicitaciones
Excelente explicación. Mil gracias Rafa.
Gracias por el video, muy bien estructurado y se entiende al 100%!
Gracias Rafa, excelente contenido!
Excelente video Rafa, gracias por compartir tus conocimientos
Personas como usted hacen retomar la fe en la humanidad, excelente contenido.
Gracias, buen hombre. Eres un crack
Gracias por el video. Sería interesante una segunda parte viendo el error del modelo con datos de test, y el comportamiento del modelo sobre datos nuevos de pacientes, es decir con pacientes con unos BMI (o con más variables) concretos, crear un dataframe con la probabilidad de que tenga o no diabetes, y aventurarnos a poner un corte en el BMI (o más variables) para finalmente clasificar a cada nuevo paciente con un 0 ó con un 1 (no-diabetes o sí-diabetes respectivamente) a partir de una probabilidad.
Puedes mirar los datos y el notebook aquí
github.com/gonzalezgouveia/clases-youtube/tree/main/diabetes-logistic
Rafa es super matematico, explota siempre su fuerte dejando poco a la programacion.
Genial la explicación. Muy clara y valoro un montón que hayas explicado la teoría matemática detrás de la función, gracias a eso la entendí bien, cosa que mi profe de bootcamp no supo explicar
Excelente manera de explicar de manera sencilla cosas que por lo menos para mí son complejas. Muchas gracias !!
Tremendo vídeo Rafa! Mil gracias por tu explicación. Gracias por explicar sobre la matemática detrás de esto.
muy bueno, mi profe de un curso de la u me puso tus videos de sobre R para guiarnos y desde ahi me gusto este mundo.
Gracias, explicas mucho mejor que mi profe!! jaja Saludos desde Argentina
Muchas gracias desde Chile .
Buen video estimado 👍👍
Hola Rafa, muy agradecido por compartir el video, muy bien explicado y bastante útil!. Tengo un consultita, se podría hablar de un coeficiente de regresión para la regresión logística.
Noooo si estaba buscando cobre y encontré oro. muchas gracias, has resolvió un problema que venia conmigo desde 4 días, no entendía nada llegar a ti fue como encontrar el tesoro de regreso a mi hogar, ya me estaba rindiendo. muchas gracias.
Excelente
eres un crackkk!!!
Buenísimo hermano
que crack Rafa! a seguir enseñando!
Gracias Errodringer! :)
Profesor Rafael. Excelente video, pero que paso con el resto del curso. Desde hace 1 año no volvió a subir mas videos del curso. 😪
Hola Rafa, tremenda explicación me sirvió un montón para aprender lo que necesitaba y fue super claro, tengo una única duda y es sobre la interpretación de los resultados, donde podría observar la probabilidad de cada "paciente" de tener o no diabetes?
😊
¿Cuál es el tercer argumento de la función de linspace del modulo de numpy? np.linspace(0, rows['BMI'].max(), 100)
seria interesante que nos enseñes los ejercicios qeu realizabas en tu trabajo donde usabas esta tecnica
Pidele pollo de una vez, y exige que te llegue caliente!
Como escribes las funciones en el notebook?, quiero decir el texto, no la función en si
YO USE ESTO, PERO NO SE SI ESTA CORRECTO o si esta forma de hacerla también está bien:
# Crear el modelo
sgd_model = SGDClassifier(loss='log_loss', penalty=None, max_iter=1000,
learning_rate='constant', eta0=0.1)
# Entrenar el modelo
sgd_model.fit(X_train, y_train)
# Hacer predicciones en los datos de prueba
y_pred = sgd_model.predict(X_test)
# Calcular la precisión del modelo
acc = accuracy_score(y_test, y_pred)
print("Accuracy: {:.2f}%".format(acc * 100))
# Calcular el recall del modelo
recall = recall_score(y_test, y_pred)
print("Recall: {:.2f}%".format(recall * 100))
# Calcular el precision del modelo
precision = precision_score(y_test, y_pred)
print("Precision: {:.2f}%".format(precision * 100))
# Calcular el f1-score del modelo
f1 = f1_score(y_test, y_pred)
print("F1-score: {:.2f}".format(f1))
Hola! Buenas. Podrías darme tu opinión sobre las materias que tiene este plan de estudios CC en cuanto a materias transferibles a ciencia de datos, IA, machine learning, de ese tipo de rubro.
1. Algoritmos y Resolución de Problemas
2. Matemática Básica (creo que es logica matemática)
3.Algebra Lineal
4.Programación Orientada a Objetos
5. Matemática Discreta
6.Análisis Matemático 1 y 2
7.Estructura de Datos y
Algoritmos
8. Paradigmas de Lenguajes
9.Probabilidad y Estadística
10.Base de Datos
11.Ingeniería de Software 1 2 3
12. Algoritmos Numéricos
13. Teoría de autómatas y computabilidad
14.Inteligencia Artificial
16.Compiladores
17.Arquitectura de Computadoras
18.Teoría de la Información
19.Sistemas Distribuidos
Y optativas que podría tal vez elegir materias relacionas al tema IA machine learning modelado etc.
Seleccione estas porque son las que creo que tendría que ver con el tema programación/matemática, me ayudarías mucho la opinión de alguien con experiencia en el tema, para tener un panorama mejor, ojalá puedas hacerlo. Desde ya muchas gracias. Saludos!
faltan mas mates por aquí para que se entienda al 100 uwu
Estoy de acuerdo contigo, estoy preparando esos videos para darle más cuerpo a toda esta parte