La regresión lineal es un algoritmo de aprendizaje automático basado en un algoritmo de regresión supervisada . La regresión modela un valor de predicción objetivo basado en variables independientes. Se utiliza principalmente para averiguar la relación entre las variables y la previsión. Los diferentes modelos de regresión difieren según el tipo de relación entre las variables dependientes e independientes que están considerando y la cantidad de variables independientes que se utilizan.
La regresión logística es básicamente un algoritmo de clasificación supervisado . En un problema de clasificación, la variable objetivo (o salida), y, solo puede tomar valores discretos para un conjunto dado de características (o entradas), X.
| Regresión lineal | Regresión logística |
|---|---|
| La regresión lineal es un modelo de regresión supervisada. | La regresión logística es un modelo de clasificación supervisado. |
| En la regresión lineal, predecimos el valor mediante un número entero. | En Regresión Logística, predecimos el valor por 1 o 0. |
| Aquí no se utiliza ninguna función de activación. | Aquí la función de activación se usa para convertir una ecuación de regresión lineal en la ecuación de regresión logística |
| Aquí no se necesita ningún valor de umbral. | Aquí se agrega un valor de umbral. |
| Aquí calculamos el error cuadrático medio (RMSE) para predecir el siguiente valor de peso. | Aquí usamos la precisión para predecir el siguiente valor de peso. |
| Aquí la variable dependiente debe ser numérica y la variable de respuesta es continua al valor. | Aquí la variable dependiente consta de sólo dos categorías. La regresión logística estima el resultado de probabilidades de la variable dependiente dado un conjunto de variables independientes cuantitativas o categóricas. |
| Se basa en la estimación de mínimos cuadrados. | Se basa en la estimación de máxima verosimilitud. |
| Aquí, cuando trazamos los conjuntos de datos de entrenamiento, se puede dibujar una línea recta que toca los gráficos máximos. | Cualquier cambio en el coeficiente conduce a un cambio tanto en la dirección como en la pendiente de la función logística. Significa que las pendientes positivas dan como resultado una curva en forma de S y las pendientes negativas dan como resultado una curva en forma de Z. |
| La regresión lineal se usa para estimar la variable dependiente en caso de un cambio en las variables independientes. Por ejemplo, predecir el precio de las casas. | Mientras que la regresión logística se utiliza para calcular la probabilidad de un evento. Por ejemplo, clasificar si el tejido es benigno o maligno. |
| La regresión lineal asume la distribución normal o gaussiana de la variable dependiente. | La regresión logística asume la distribución binomial de la variable dependiente. |
Publicación traducida automáticamente
Artículo escrito por swarnalisantra y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA