La regressione logistica è un metodo statistico che stima la probabilità di uno tra due esiti, ad esempio “acquista” o “non acquista”. Pondera le caratteristiche in ingresso e trasforma la loro somma in un valore tra 0 e 1 tramite una funzione a forma di S. Poiché i pesi sono facilmente interpretabili, è molto usata in valutazione del credito, medicina e marketing, spesso come base di confronto per modelli più complessi.
Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.
Avvia demoLa regressione lineare è un metodo statistico che descrive la relazione tra una variabile obiettivo e una o più variabili esplicative tramite una retta o un piano. I coefficienti vengono di solito scelti in modo da minimizzare la somma degli scarti al quadrato. Il metodo è semplice da capire e da interpretare: permette ad esempio di stimare di quanto aumenta il fatturato se il budget pubblicitario cresce di 1.000 euro. Con relazioni non lineari mostra i suoi limiti.
Un classificatore è un modello o un metodo che assegna un input a una tra diverse categorie predefinite. Le varianti classiche, come gli alberi decisionali o Naive Bayes, vengono addestrate con esempi etichettati; anche i modelli linguistici possono classificare testi sulla base di una descrizione delle categorie. Usi tipici sono il rilevamento dello spam, lo smistamento delle richieste dei clienti per tema e la classificazione di documenti contabili. La qualità si misura con metriche come accuratezza, precisione e recall.
La log loss (perdita logaritmica) misura quanto le probabilità previste da un modello di classificazione corrispondano ai risultati reali. Le previsioni sicure ma errate vengono penalizzate in modo particolarmente forte; un valore vicino a zero indica previsioni ben calibrate. Esempio: se un modello stima al 95% l’abbandono di un cliente che invece resta, la log loss aumenta nettamente. Dal punto di vista matematico coincide con l’entropia incrociata binaria.
Naive Bayes è una famiglia di semplici metodi di classificazione basati sul teorema di Bayes. Sono detti “ingenui” perché presuppongono che tutte le caratteristiche siano indipendenti tra loro, cosa raramente vera nella pratica ma che spesso porta comunque a buoni risultati. Sono veloci, richiedono pochi dati di addestramento e si prestano bene ai testi. Esempio classico è il filtro antispam che classifica le e-mail in base a parole tipiche.
