Sí bien existen varios pasos entre el análisis exploratorio y la aplicación de un modelo (cómo ser acondicionar los datos para introducirlos al algoritmo, crear nuevas variables que ayuden a mejorar la capacidad predictiva del modelo, etc.), el enfoque de la publicación es abordar un modelo de clasificación bajo un contexto empresarial. Por eso mismo ahora explicaremos cómo funciona una Regresión Logística y cómo se adaptaría al objetivo empresarial en cuestión. El resultado de negocio deseado, en nuestro caso de uso, es identificar a los clientes que probablemente compren el producto.  

Por otro lado, el objetivo del aprendizaje automático es estimar una función de mapeo (f) entre una variable de salida y las variables de entrada. En forma matemática, esto se puede escribir de la siguiente manera:

Y = f(X)

Y es la variable dependiente, que es nuestra predicción sobre si un cliente tiene la probabilidad de comprar el producto o no.

X es la(s) variable(s) independiente(s), que son aquellos atributos como la edad, la educación, saldo bancario, cartera de activos, etc.  que forman parte del conjunto de datos.

f() es una función que relaciona varios atributos de los datos con la probabilidad de que un cliente compre o no el producto. Esta función se aprende durante el proceso de aprendizaje automático. Esta función es una combinación de diferentes coeficientes o parámetros aplicados a cada uno de los atributos (o variables) para obtener la probabilidad de compra.

Para simplificar, supongamos que sólo tenemos dos atributos, la edad y el saldo bancario. Supongamos que la edad es de 62 años y el saldo de 900 dólares. Con todos estos valores de atributos, supongamos que la ecuación de mapeo es la siguiente

                               Y = B0 + B1_Edad * Edad + B2_Saldo_bancario * Saldo_bancario

Utilizando la ecuación anterior, obtenemos lo siguiente:

Y = 0.1 + 0.4 * 62 + 0.002 * 900

 Y = 26.7

Vemos que la ecuación utilizada corresponde a la Regresión Lineal que vimos en la publicación anterior, y que la salida nos entrega un número real. Aquí es dónde entra en juego la Regresión Logística, que es similar a la Regresión Lineal, pero que aplica una función sigmoidea que reduce cualquier número de valor real a un valor entre 0 y 1, lo que hace que esta función sea ideal para predecir probabilidades. 

Para transformar la salida de valor real en una probabilidad, utilizamos la función logística, que tiene la siguiente forma:

Y =  (e^(X))/(1 + e^(X))

Aquí “e” es el logaritmo natural.

     Y = (e^(B0 + B1*X1 + B2*X2))/(1 + e^(B0 + B1*X1 + B2*X2))

Veamos ahora la función de regresión logística desde el problema de negocio que estamos tratando de resolver.

Y = (e^(B0 + B1_Edad * Edad + B2_Saldo_bancario * Saldo_bancario))/(1 + e^(B0 + B1_Edad * Edad + B2_Saldo_bancario * Saldo_bancario))

Y = (e^(0.1 + 0.4*62 + 0.02*900))/(1 + e^(0.1 + 0.4*62 + 0.02*900))

Al aplicar esto, obtenemos un valor de Y = 0.76 , que es una probabilidad del 76% de que el cliente compre el producto de inversión. Como se ha comentado en el ejemplo anterior, los coeficientes del modelo como 0,1, 0,4 y 0,002 son los que aprendemos utilizando el algoritmo de regresión logística durante el proceso de entrenamiento.

Hasta aquí abordamos situaciones cómo: cuando es necesario utilizar un modelo de clasificación, definimos un objetivo empresarial, planteamos y comprobamos la veracidad de una hipótesis a partir del análisis exploratorio y por último aplicamos el concepto de regresión logística al problema empresarial. En la próxima publicación nos enfocaremos en distintas medidas para evaluar el rendimiento de modelos de clasificación.