Análisis de regresión logística
Contenido del curso
Andrés Cardona
Jeinfferson Bernal G
José Polanco
Jeinfferson Bernal G
Ruddy Ramos
Rafael Rivera
Jeinfferson Bernal G
Daniel Julian Luengas Machado
Jeinfferson Bernal G
Miguel Sánchez Guerrero
Daniela Mendoza Redondo
Diego Jurado
Juan R. Vergara M.
David Romero
Brayam Esparza
Christian Rangel
Yonatan Efraín Jara Boza
Sebastian Gaviria
FELIX DAVID CORDOVA GARCIA
Juan R. Vergara M.
Felipe Sebastián Zepeda González
José Rodrigo Arana Hi
Sebastián Romaldo Alcántara Luyo
jader lopez
Luis Valle
Rubén Cuello
Eduard Giraldo Martínez
Eduard Giraldo Martínez
Pablo Alejandro Figueroa
Antonio Demarco Bonino
Armando Montano
David Romero
Erik Alejandro Garcia Duarte
Juan R. Vergara M.
Creo que debería haber una explicación más detallada y fundamentada sobre qué són los valores coef, std err, z, P>|z|, y cómo debe ser su interpretación conjunta en relación a la pruebas de hipótesis. La verdad es una explicación somera que ni si quiera toca los principios básicos de la interpretación estadística.
Quiero a Platzi y su misión, por eso hago esta crítica para el Team! Hay que empezar a hacer mayor auditoria de calidad a los cursos. El hecho que sean cursos básicos no significa que no se deban explicar los fundamentos conceptuales que llevan al estudiante a construir un conocimiento sólido.
x2
Esto viene de cursos anteriores. Está declarado en el inicio del curso que es un conocimiento previo necesario.
Saludos!
Modelo para definir si un pinguino es Macho o Hembra
#Modelo logistico de la variable sexo VS longitud de las aletas, ancho del pico, largo del pico, y la isla smf.logit( formula='numeric_sex ~ flipper_length_mm + bill_length_mm + bill_depth_mm + C(island)', data=preprocessed_penguins_df ).fit().summary()
Dado que la variable sexo es categorica la convertimos en 0(hembras) y 1(machos), los resultados de la Regresion Logistica viene dado en funcion de los machos.
Los resultados se interpretan asi:
El parametro P > abs(Z) indica cuales son las variables mas significativas estadisticamente para el resultado. Mientras mas tienda al valor 0 mas significativa es.
Cuando tenemos tres variables y en los resultados de la regresion logistica solo aparecen dos, indica que los esos valores son respecto a la variable faltante
# Restamos los valores de probabilidad de cada isla -1.55 - (-1.03)
Respecto a la isla Dream, es mas probable encontrar macho en la isla Dream que en la Torgensen
#Tabla de conteo de las variables categoricas isla y sexo ( preprocessed_penguins_df .value_counts(['island', 'sex']) .reset_index(name='count') )
Gracias por el aporte.
Muy buena explicación, gracias por compartir
Modelo para identificar si un pinguino pertenece a una determinada clase
preprocessed_penguins_df = ( preprocessed_penguins_df .assign(is_adelie=lambda df: df.species.replace(['Adelie', 'Gentoo', 'Chinstrap'], [1,0,0])) )
#Modelo para determinar si un pinguino es adelie segun su sexo y el largo de las aletas model_is_adele = smf.logit( formula='is_adelie ~ flipper_length_mm + C(sex)', data=preprocessed_penguins_df ).fit()
model_is_adele.params #muestra solo los parametros del modelo
Los resultados indicas que:
is_adelie_df_prediction = pd.DataFrame( dict( actual_adelie = preprocessed_penguins_df.is_adelie, predicted_values = model_is_adele.predict().round() #round indica solo si es cero o uno ) ) is_adelie_df_prediction
( is_adelie_df_prediction .value_counts(['actual_adelie', 'predicted_values']) .reset_index(name='count') )
print( sklearn.metrics.confusion_matrix( is_adelie_df_prediction.actual_adelie, is_adelie_df_prediction.predicted_values ) ) sklearn.metrics.accuracy_score( is_adelie_df_prediction.actual_adelie, is_adelie_df_prediction.predicted_values ) [[151 36] [ 17 129]] 0.8408408408408409 #Efectividad de prediccion del modelo
print( sklearn.metrics.confusion_matrix( is_adelie_df_predictions.actual_adelie, is_adelie_df_predictions.predicted_values ) ) sklearn.metrics.accuracy_score( is_adelie_df_predictions.actual_adelie, is_adelie_df_predictions.predicted_values )
Gracias por el aporte!
Matriz de Confusión:
Se usa para evaluar la precisión de la clasificación: [[151 36] [ 17 129]]
se lee:
No me estaba funcionado numeric_sex, dado que estaba definido como parámetro y no como variable. Así que lo generé de esta forma y funcionó. Por si alguien lo necesita:
preprocess_penguins_df['numeric_sex']=numeric_sex(preprocess_penguins_df) preprocess_penguins_df
Daniela, gracias por compartir, a mí tampcoo me funciono
Gracias 😎
En esta clase aprendimos a realizar una clasificación binaria (macho o hembra, es Adelie o no es Adelie) mediante la regresión logística. Sin embargo, si lo que quieres es implementar un modelo para clasificar más de 2 categorías como conocer si un pingüino es Adelie o Gentoo o Chinstrap, este algoritmo no te servirá. En este caso, utilizando al librería Statsmodels, tendrás que utilizar la función mnlogit del módulo statsmodels.formula.api (smf), mnlogit hace referencia a un modelo de regresión logística multinomial, el cual te ayudará con esta tarea.
Al final en las conclusiones, [diganme si estoy mal], pero, no es macho y hembra, es si ¿ Adelie TRUE o False? , o sea cuentas veces acertamos que era Adelie vs cuantas no. de ahí la eficiencia del 80%
Me parece que estás equivocado ya que estamos referenciando solo a la especie Adelie y de allí estamos evaluando las varibles de aleta y sexo con respecto a la especie seleccionada.
Estas en lo correcto compañero. El profesor tuvo un lapsus al decir la variable categorica que estaba estudiando (debe ser la de si es adelie o no). El 0.84 justo refleja eso (151+129)/(151+129+36+17)
Para quienes trabajan en Visual Studio Code, debemos importar primero metrics, y accuracy_score:
import sklearn from sklearn import metrics from sklearn.metrics import accuracy_score
Aquí se ve mas claro:
🥇
Opino que la idea de esta clase está bien planteada, pero lamentablemente hay puntos importantes que están pésimamente presentados. En especial me preocupa como presentan el significado estadístico de los coeficientes,P> |z|, etc.
coeffs: En los casos de regresión representan la tasa de cambio de de “log odss” respecto de alguna variable independiente en específico (bill_length_mm, island, etc.). Creo que no es responsable establecer de forma concreta si un coeficiente es “importante” si no se considera el rango numérico de la varibable independiente en cuestión, pero en general uno podría decir que mientras más lejos de cero el coeficiente, más efecto tiene una variable en específico.
P>|z| es el p-value que establece si un coeff es estadisticamente significativo en el modelo. Si p-value < alpha (0< alpha <1, elegido bajo nuestro criterio, usualmente 0.05) entonces el coeficiente tiene significancia estadística en el modelo.
LLR p-value: Es el p-value del modelo en general. Si LLR p-value < alpha, entonces nuestro modelo es útil para hacer predicciones.
En lugar de usar replace(), otra manera para reemplazar tus datos:
df.assign(is_adelie=lambda x: np.where(x.species=='Adelie', 1, 0))
donde los valores TRUE los cambia por 1, los FALSE en 0.
Esa fórmula está mucho mejor. Establece directamente a la nueva variable "is_adelie" como una numérica
si debes volver a comoboertir las variables categoricas en variables numericas y asignarlas a una nueva columna usa esto o guiate para hacerlo
diccionario_sexo = { 'male' : 0, 'female' : 1, } binario = data['sex'].map(diccionario_sexo) data['sex_numeric'] = binario
psss inri no copies por copiar trata de entender el porque del codigo
bastante pobre la interpretación de los parámetros estadísticos , deja mucho que desear
Veo que los valores que aparece en la tabla de regresión logística son bastante bajos, con excepción del intercept. Quisiera saber entre que valores pueden estar nuestras variables?
Hola, Ruben 😄
Lo más probable es que ya hayas investigado un poco de cómo funciona la tabla. De igual manera dejo el link dónde se puede entender un poco mejor el tema para las futuras generaciones.
👾✨
Para lar personas que quedaron un poco vagas con la explicación, les dejo este artículo dónde podrán entender mejor lo visto en clase (Sobre la tabla de regresión logística). . Por lo que pude entender, las columnas son las mismas, exceptuando por 'P>|z|' Espero que les sirva, si tienen alguna recomendación o explicación adicional, se les agradece
👾✨
Muuuuchas gracias...! todo más claro!
Me quede enamorado de sklearn:
Con scikitlearn es necesario dividir tu data set entre training set y testing set. Tenia la duda si al usar smf.logit, smg.ols, etc, este lo divide automaticamente o algo asi por el estilo? Pregunto porque esto podria traer problemas de overfitting jejej Saludos!
(Es bueno ver que si hace lo de la dummy variable automaticamente jejje)
smf no te divide los datos en conjuntos de entrenamiento y prueba automáticamente, lo recomendable siempre es realizar esta división por lo que mencionas del overfitting. Supongo que en este curso se hace así por cuestiones prácticas.
El modelo utiliza una regresión logística para estimar la probabilidad de que una ave sea macho (numeric_sex = 1) en función de la longitud de la aleta (flipper_length_mm), la longitud del pico (bill_length_mm), la profundidad del pico (bill_depth_mm) y la isla en la que se encuentra (Dream, Torgersen o Biscoe).
Los coeficientes de la regresión logística se presentan en la tabla "Coefficients". Cada coeficiente representa el cambio en la log odds de ser macho (numeric_sex = 1) por una unidad de cambio en la variable correspondiente, manteniendo las demás variables constantes.
Por ejemplo, el coeficiente para la longitud de la aleta (flipper_length_mm) es positivo y igual a 0.1393, lo que significa que por cada aumento en 1 mm de la longitud de la aleta, la log odds de ser macho aumenta en 0.1393, es decir, la probabilidad de ser macho aumenta.
Los intervalos de confianza del 95% para cada coeficiente también se proporcionan en la tabla. Los intervalos de confianza reflejan la incertidumbre en la estimación de los coeficientes y proporcionan una guía para determinar si un coeficiente es estadísticamente significativo. Si el intervalo de confianza no incluye cero, significa que el coeficiente es estadísticamente significativo al nivel de confianza del 95%.
Además, se puede ver que el modelo se ajustó con éxito, ya que se encontró una solución óptima y la log-verosimilitud es negativa, lo que indica un buen ajuste. La pseudo-R cuadrada también es positiva, lo que indica un buen ajuste y que las variables explican una parte significativa de la varianza en la variable dependiente (numeric_sex).
Gran recomendación la de visualizar los datos antes de construir los modelos 👍
