Logaritmo del cociente de probabilidades

Una desventaja de las probabilidades y los cocientes de probabilidad para las predicciones de regresión logística es que las líneas de predicción para cada uno son curvas. Esto hace que sea más difícil razonar sobre lo que ocurre con la predicción cuando se realiza un cambio en la variable explicativa. El logaritmo de la razón de probabilidades (la «razón de probabilidades logarítmica») sí tiene una relación lineal entre la respuesta prevista y la variable explicativa. Esto significa que, a medida que cambia la variable explicativa, no se observan cambios drásticos en la métrica de respuesta, sino solo cambios lineales.

Dado que los valores reales de la razón de probabilidades logarítmica son menos intuitivos que la razón de probabilidades (lineal), a efectos de visualización suele ser mejor gráficando la razón de probabilidades y aplicando una transformación logarítmica a la escala del eje y.

mdl_churn_vs_relationship, explanatory_data y plt_churn_vs_relationship están disponibles y dplyr está cargado.

Este ejercicio forma parte del curso

Introducción a la regresión en R

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Update the data frame
prediction_data <- explanatory_data %>% 
  mutate(   
    has_churned = predict(mdl_churn_vs_relationship, explanatory_data, type = "response"),
    odds_ratio = has_churned / (1 - has_churned),
    # Add the log odds ratio from odds_ratio
    log_odds_ratio = ___,
    # Add the log odds ratio using predict()
    log_odds_ratio2 = ___
  )

# See the result
prediction_data

Editar y ejecutar código

Este ejercicio forma parte del curso

Introducción a la regresión en R

IntermedioNivel de habilidad

4.8+

Comienza el curso gratis

Aprenderás los conceptos básicos de este popular modelo estadístico, qué es la regresión y en qué se diferencian las regresiones lineales y logísticas. A continuación, aprenderás a ajustar modelos de regresión lineal simples con variables explicativas numéricas y categóricas, y a describir la relación entre las variables de respuesta y las variables explicativas utilizando los coeficientes del modelo.

Exercise 1: Una historia de dos variables Exercise 2: ¿Cuál es la variable de respuesta?Exercise 3: Visualización de dos variables Exercise 4: Ajustar una regresión lineal Exercise 5: Estima el intercepto.Exercise 6: Estima la pendiente.Exercise 7: Regresión lineal con lm()Exercise 8: Variables explicativas categóricas Exercise 9: Visualización numérica frente a categórica Exercise 10: Cálculo de medios por categoría Exercise 11: lm() con una variable explicativa categórica

En este capítulo, descubrirás cómo utilizar modelos de regresión lineal para realizar predicciones sobre los precios de la vivienda en Taiwán y los clics en anuncios de Facebook. También desarrollarás tus habilidades de regresión a medida que adquieras experiencia práctica con objetos de modelo, comprendas el concepto de «regresión a la media» y aprendas a transformar variables en un conjunto de datos.

Exercise 1: Hacer predicciones Exercise 2: Predicción de los precios de la vivienda Exercise 3: Visualización de predicciones Exercise 4: Los límites de la predicción Exercise 5: Trabajar con objetos modelo Exercise 6: Extracción de elementos del modelo Exercise 7: Predicción manual de los precios de la vivienda Exercise 8: Usando una escoba Exercise 9: Regresión a la media Exercise 10: ¡Home run!Exercise 11: Gráficando los rendimientos consecutivos del portafolio Exercise 12: Modelización de rendimientos consecutivos Exercise 13: Transformación de variables Exercise 14: Transformación de la variable explicativa Exercise 15: Transformando también la variable de respuesta

En este capítulo, aprenderás a formular preguntas sobre tu modelo para evaluar su adecuación. Aprenderás a cuantificar el ajuste de un modelo de regresión lineal, diagnosticar problemas del modelo mediante visualizaciones y comprender la influencia y el peso de cada observación utilizada para crear el modelo.

Exercise 1: Cuantificación del ajuste del modelo Exercise 2: Coeficiente de determinación Exercise 3: Error estándar residual Exercise 4: Visualización del ajuste del modelo Exercise 5: Residuos frente a valores ajustados Exercise 6: Gráfico Q-Q de residuos Exercise 7: Ubicación de la escala Exercise 8: Dibujar gráficos de diagnóstico Exercise 9: Valores atípicos, influencia y poder Exercise 10: Apalancamiento Exercise 11: Influencia Exercise 12: Obtener ventaja e influencia

Aprende a ajustar modelos de regresión logística. Utilizando datos del mundo real, predirás la probabilidad de que un cliente cierre su cuenta bancaria en forma de probabilidades de éxito y razones de probabilidad, y cuantificarás el rendimiento del modelo utilizando matrices de confusión.

Exercise 1: Por qué necesitas la regresión logística Exercise 2: Exploración de las variables explicativas Exercise 3: Visualización de modelos lineales y logísticos Exercise 4: Regresión logística con glm()Exercise 5: Predicciones y odds ratios Exercise 6: Probabilidades Exercise 7: Resultado más probable Exercise 8: Razón de probabilidades Exercise 9: Logaritmo del cociente de probabilidades

Ejercicio actual

Exercise 10: Cuantificación del ajuste de la regresión logística Exercise 11: Cálculo de la matriz de confusión Exercise 12: Medición del rendimiento del modelo logístico Exercise 13: Precisión, sensibilidad, especificidad Exercise 14: ¡Enhorabuena!