Nel mondo dei dati e dei programmi informatici, il concetto di Machine Learning potrebbe sembrare un osso duro, pieno di matematica complicata e idee complesse.
Questo è il motivo per cui oggi voglio rallentare e dare un’occhiata alle cose fondamentali che fanno funzionare tutto questo con un mio nuovo numero Serie MLBasics.
L’agenda di oggi prevede un aggiornamento elegante della nostra buona vecchia regressione logistica.
Perché?
Per impostazione predefinita, la regressione logistica è limitata ai problemi di classificazione a due classi. Tuttavia, spesso ci troviamo ad affrontare problemi che riguardano più classi.
Quindi tuffiamoci nell’affascinante mondo del livellamento della regressione logistica per poter ordinare le cose in più di due cestini 👇🏻
Nel campo ML, Regressione logistica rappresenta un modello ottimale per problemi di classificazione binaria.
È il percorso fidato verso il processo decisionale.
Tuttavia, c’è un grosso problema con la regressione logistica: è come il lancio di una moneta: testa o croce, A o B.
Ma cosa succede se hai più classi?
La regressione logistica non è sufficiente per gestire una classificazione a più classi. Pertanto, per raggiungere questo obiettivo, il modello deve essere adattato e ci sono due opzioni principali:
- Il primo approccio semplice consiste nell’utilizzare più modelli di regressione logistica semplice per identificare ciascuna delle classi desiderate. È una soluzione semplice.
- Un secondo approccio consiste nel generare un nuovo modello che accetti più classi.
Quindi analizziamo entrambi gli approcci:
Fonte: towardsdatascience.com
