Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Inteligencia de Negocios
Regresión Logística
Facultad de Ingeniería
Universidad Mayor
II Semestre 2016
Contenido
Modelo
Representación del Modelo
Función de Costo
Descenso del Gradiente
Clasificación Multiclase
Representación
Uno vs. el Resto
(Si)1 x x x x
¿Maligno?
(N o)0 x x x x
(Si)1 x x x x
¿Maligno?
(N o)0 x x x x
Regresión Logística
Se quiere 0 ≤ hθ (x) ≤ 1
1
1 g(z) =
1+e(−z)
0.5
0 z
hθ (x) = θT x 1
hθ (x) = g(θT x) = T
1+ e(−θ x)
Regresión Logística
Límite de decisión
x2
Predecir y = 1 si:
3 −3 + x1 + x2 ≥ 0
Predecir y = 0 si:
2
−3 + x1 + x2 < 0
1 hθ (x) = g(θ0 + θ1 x1 + θ2 x2 )
hθ (x) = g(−3 + x1 + x2 )
1 2 3 x1
Regresión Logística
Límite de decisión no lineales
x2
Predecir y = 1 si:
1 −1 + x21 + x22 ≥ 0
Predecir y = 0 si:
−1 + x21 + x22 < 0
−1 1 x1
hθ (x) = g(θ0 +θ1 x1 +θ2 x2 +θ3 x21 +θ4 x22 )
−1
hθ (x) = g(−1+0·x1 +0·x2 +x21 +x22 )
Función de Costo
Función de Costo
¿Cómo sería la función de costo para una regresión logística?
(
− log(hθ (x)), si y = 1
Cost(hθ (x), y) =
− log(1 − hθ (x)), si y = 0
Cost
Si y = 1
Cost = 0 si y = 1, hθ (x) = 1
Función de Costo
Función de Costo
¿Cómo sería la función de costo para una regresión logística?
(
− log(hθ (x)), si y = 1
Cost(hθ (x), y) =
− log(1 − hθ (x)), si y = 0
Cost
Si y = 0
Cost = 0 si y = 0, hθ (x) = 0
Función de Costo
Función de Costo
m
1 X
J(θ) = Cost(hθ (x(i) ), y (i) )
m i=1
(
− log(hθ (x)), si y = 1
Cost(hθ (x), y) =
− log(1 − hθ (x)), si y = 0
Notar que y siempre va a ser 0 o 1.
Cost(hθ (x), y) = −y log(hθ (x)) − (1 − y) log(1 − hθ (x))
Función de Costo
Función de Costo
Hipótesis:
1
hθ (x) =
1 + e−θT x
x0 = 1, y ∈ {0, 1}
Parámetros:
θ0 , θ1 , . . . , θn
Función de Costo:
m
" #
1 X
J(θ) = − y (i) log(hθ (x(i) )) + (1 − y (i) ) log(1 − hθ (x(i) ))
m i=1
Objetivo:
min J(θ0 , θ1 , . . . , θn )
θ0 ,θ1 ,...,θn
repetir {
∂
θj := θj − α J(θ)
∂θj
(actualizar simultáneamente todos los θj )
}
m
∂ 1 X (i)
J(θ) = (hθ (x(i) ) − y (i) ) · xj
∂θj m i=1
Inteligencia de Negocios Facultad de Ingeniería Universidad Mayor
Modelo Clasificación Multiclase
repetir {
m
1 X (i)
θj := θj − α (hθ (x(i) ) − y (i) ) · xj
m
i=1
Representación
Clasificación Multiclase
x1 x1
(i)
hθ (x) = P (y = i|x; θ)∀i = 1, 2, 3
x2
x1
x2
x1
x2
x1
Clase 1:
Clase 2:
Clase 3:
Inteligencia de Negocios x1 Universidad Mayor
Facultad de Ingeniería
Modelo Clasificación Multiclase
(i)
Se debe entrenar un clasificador de regresión logística hθ (x) para
cada clase i y predecir la probabilidad que y = i.
Inteligencia de Negocios
Regresión Logística
Facultad de Ingeniería
Universidad Mayor
II Semestre 2016