Regresión logística

La super recomendación para quién aún no tiene claridad de este tema y que, a la fija, tendrá mayor entendimiento, sí lee el siguiente artículo que compartiré 😄
Espero les guste
https://www.iartificial.net/precision-recall-f1-accuracy-en-clasificacion/

Confusion Matrix

Accuracy = # of correctly labeled / # of data points

Paso otro vídeo que me ayudo a entender más la Regresión logística:
https://www.youtube.com/watch?v=8-nt3Urok4E&ab_channel=AprendeInnovando

Ahora es cuando agradezco más la sección de aportes. Soy de los que tienen que repasar esto lentamente para entederlo y las gráficas y los enlaces a otras webs ayudan bastante. Lo bueno es que con la bases de cálculo de la universidad entiendo más la parte matemática

se utilizan datos de ejemplo con dos variables independientes (X) y una variable dependiente categórica (y). Se crea un modelo de regresión logística utilizando LogisticRegression de scikit-learn y se ajusta a los datos de entrenamiento. Luego, se obtienen los coeficientes del modelo (coef y intercept) y se utiliza una función personalizada para graficar la línea de decisión.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# Datos de ejemplo
X = np.array([[2, 3], [4, 5], [6, 7], [8, 9], [10, 11]])  # Variables independientes
y = np.array([0, 0, 0, 1, 1])  # Variable dependiente (clase)

# Crear el modelo de regresión logística
model = LogisticRegression()

# Ajustar el modelo a los datos
model.fit(X, y)

# Obtener los coeficientes del modelo
coef = model.coef_
intercept = model.intercept_

# Crear una función para graficar la línea de decisión
def plot_decision_boundary(X, y, coef, intercept):
    plt.scatter(X[:, 0], X[:, 1], c=y)
    x1 = np.linspace(np.min(X[:, 0]), np.max(X[:, 0]), 100)
    x2 = -(coef[0][0] * x1 + intercept) / coef[0][1]
    plt.plot(x1, x2, color='r')
    plt.xlabel('Variable 1')
    plt.ylabel('Variable 2')
    plt.title('Regresión Logística')
    plt.show()

# Graficar la línea de decisión
plot_decision_boundary(X, y, coef, intercept)

Aquí tienes un ejemplo más completo de regresión logística utilizando datos reales

# Cargar el conjunto de datos Iris
iris = load_iris()
X = iris.data[:, :2]  # Tomar solo las dos primeras características para facilitar la visualización
y = iris.target

# Dividir los datos en conjuntos de entrenamiento y prueba
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Crear el modelo de regresión logística
model = LogisticRegression()

# Ajustar el modelo a los datos de entrenamiento
model.fit(X_train, y_train)

# Realizar predicciones en los datos de prueba
y_pred = model.predict(X_test)

# Calcular la precisión del modelo
accuracy = accuracy_score(y_test, y_pred)
print("Precisión del modelo:", accuracy)

# Crear una función para graficar las regiones de decisión
def plot_decision_regions(X, y, model):
    x1_min, x1_max = X[:, 0].min() - 1, X[:, 0].max() + 1
    x2_min, x2_max = X[:, 1].min() - 1, X[:, 1].max() + 1
    xx1, xx2 = np.meshgrid(np.arange(x1_min, x1_max, 0.1),
                           np.arange(x2_min, x2_max, 0.1))
    Z = model.predict(np.c_[xx1.ravel(), xx2.ravel()])
    Z = Z.reshape(xx1.shape)
    plt.contourf(xx1, xx2, Z, alpha=0.8)
    plt.scatter(X[:, 0], X[:, 1], c=y, edgecolors='k')
    plt.xlabel('Característica 1')
    plt.ylabel('Característica 2')
    plt.title('Regresión Logística - Regiones de decisión')
    plt.show()

# Graficar las regiones de decisión
plot_decision_regions(X_train, y_train, model)

Es interesante y curioso saber sobre la regresion logistica y que esta usa un diagrama de confusion para ver los resultados de nuestro dataset.