4 ejemplos de uso de regresión logística en la vida real

Puedes opinar sobre este contenido:
  • 0
  • 0
  • 0
  • 0

La regresión logística es un método estadístico que utilizamos para ajustar un modelo de regresión cuando la variable de respuesta es binaria.

Este tutorial comparte cuatro ejemplos diferentes de cuándo se usa la regresión logística en la vida real.

Ejemplo de la vida real de regresión logística n. ° 1

Los investigadores médicos quieren saber cómo el ejercicio y el peso afectan la probabilidad de sufrir un ataque cardíaco. Para comprender la relación entre las variables predictoras y la probabilidad de sufrir un ataque cardíaco, los investigadores pueden realizar una regresión logística.

La variable de respuesta en el modelo será un ataque cardíaco y tiene dos resultados potenciales:

  • Ocurre un infarto.
  • No ocurre un ataque cardíaco.

Los resultados del modelo les dirán a los investigadores exactamente cómo los cambios en el ejercicio y el peso afectan la probabilidad de que un individuo determinado tenga un ataque cardíaco. Los investigadores también pueden utilizar el modelo de regresión logística ajustado para predecir la probabilidad de que un individuo determinado sufra un ataque cardíaco, según su peso y el tiempo que dedican a hacer ejercicio.

Ejemplo de la vida real de regresión logística n. ° 2

Los investigadores quieren saber cómo el GPA, la puntuación ACT y la cantidad de clases AP tomadas afectan la probabilidad de ser aceptado en una universidad en particular. Para comprender la relación entre las variables predictoras y la probabilidad de ser aceptadas, los investigadores pueden realizar una regresión logística.

La variable de respuesta en el modelo será «aceptación» y tiene dos resultados potenciales:

  • Un estudiante es aceptado.
  • Un estudiante no es aceptado.

Los resultados del modelo les dirán a los investigadores exactamente cómo los cambios en el GPA, el puntaje ACT y el número de clases AP tomadas afectan la probabilidad de que un individuo determinado sea aceptado en la universidad. Los investigadores también pueden utilizar el modelo de regresión logística ajustado para predecir la probabilidad de que un individuo determinado sea aceptado, en función de su GPA, puntuación ACT y la cantidad de clases AP tomadas.

Ejemplo de la vida real de regresión logística n. ° 3

Una empresa desea saber si el número de palabras y el país de origen afectan la probabilidad de que un correo electrónico sea spam.Para comprender la relación entre estas dos variables predictoras y la probabilidad de que un correo electrónico sea spam, los investigadores pueden realizar una regresión logística.

La variable de respuesta en el modelo será «spam» y tiene dos resultados potenciales:

  • El correo electrónico es spam.
  • El correo electrónico no es spam.

Los resultados del modelo le dirán a la empresa exactamente cómo los cambios en el recuento de palabras y el país de origen afectan la probabilidad de que un correo electrónico determinado sea spam. La empresa también puede utilizar el modelo de regresión logística ajustado para predecir la probabilidad de que un correo electrónico determinado sea spam, según el recuento de palabras y el país de origen.

Ejemplo de la vida real de regresión logística n. ° 4

Una compañía de tarjetas de crédito quiere saber si el monto de la transacción y el puntaje de crédito afectan la probabilidad de que una transacción determinada sea fraudulenta. Para comprender la relación entre estas dos variables predictoras y la probabilidad de que una transacción sea fraudulenta, la empresa puede realizar una regresión logística.

La variable de respuesta en el modelo será «fraudulenta» y tiene dos posibles resultados:

  • La transacción es fraudulenta.
  • La transacción no es fraudulenta.

Los resultados del modelo le dirán a la empresa exactamente cómo los cambios en el monto de la transacción y el puntaje crediticio afectan la probabilidad de que una transacción determinada sea fraudulenta. La empresa también puede utilizar el modelo de regresión logística ajustado para predecir la probabilidad de que una transacción determinada sea fraudulenta, según el monto de la transacción y el puntaje crediticio de la persona que realizó la transacción.

  • https://r-project.org
  • https://www.python.org/
  • https://www.stata.com/

Redactor del artículo

  • Luis Benites
    Director de Statologos.com

    Tengo una Maestría en Ciencias en Estadística Aplicada y he trabajado en algoritmos de aprendizaje automático para empresas profesionales tanto en el sector de la salud como en el comercio minorista.

    Ver todas las entradas

¿Te hemos ayudado?

Ayudanos ahora tú, dejanos un comentario de agradecimiento, nos ayuda a motivarnos y si te es viable puedes hacer una donación:

La ayuda no cuesta nada

Por otro lado te rogamos que compartas nuestro sitio con tus amigos, compañeros de clase y colegas, la educación de calidad y gratuita debe ser difundida, recuerdalo:

Deja un comentario

A menudo, es posible que desee convertir una lista en un DataFrame en Python. Afortunadamente, esto es fácil de hacer…
statologos comunidad-2

Compartimos información EXCLUSIVA y GRATUITA solo para suscriptores (cursos privados, programas, consejos y mucho más)

You have Successfully Subscribed!