[MÚSICA] Ahora que vimos el modelo de
regresión logística y lo entendimos en un poco de detalle, vamos a repasar rápidamente
qué significa aprendizaje para este modelo. A pesar que en el próximo módulo
entraremos en más detalle al algoritmo de aprendizaje. Esto es como un pequeño adelanto
de lo que vendrá en el siguiente módulo. Ahora, vamos a comenzar con
algunos datos que tienen como entrada x,
y salidas +1 o -1. Vamos a dividir esos datos
en un conjunto de entrenamiento y un conjunto de validación. Y del conjunto de entrenamiento vamos
a ejecutar un algoritmo de aprendizaje que obtendrá los parámetros ŵ estimados. Y esos ŵ van a ser
conectados al modelo para estimar la probabilidad que una oración
de entrada sea positiva o negativa. Y por supuesto, podemos usar el modelo
de aprendizaje para tomar el conjunto de validación y estimar qué tan bueno es, cuáles son
las métricas de calidad, cuál es el error. Ahora, para encontrar el mejor clasificador
vamos a definir la métrica de calidad. En este caso la métrica de calidad
se llamará función de verosimilitud. Unos parámetros posibles serían
por ejemplo w0, w1, w2 que serán capaces de marcar
de acuerdo a L de w, para averiguar cuán bueno es. Por ejemplo, si tomamos este conjunto de datos
de signos mas y menos, y aprendemos la recta mostrada en verde,
obtendríamos una verosimilitud particular. Por ejemplo, si el parámetro
w0 es 0, w1 es 1, pero w2 es -1.5, la verosimilitud sería
10 a la -6, muy pequeño. Estos números, en realidad
tienden a ser muy pequeños. Para esta otra recta, donde ahora
w0 es 1, w1 es 1, y w2 es -1.5, la función de verosimilitud es un poco mejor
10 a la -5 en lugar de 10 a la -6. Pero para esta mejor recta de aquí,
donde w0 es 1, w1 es 0.5 y w2 es -1.5, Se obtiene una mejor verosimilitud,
10 a la -4. Así que, nos gustaría un enfoque
que en realidad busque los posibles valores de w
para encontrar la mejor recta. Y, como veremos en el siguiente módulo,
usaremos el algoritmo de ascenso del gradiente para encontrara el conjunto de parámetros w
que tienen la verosimilitud más alta y mejor. [MÚSICA]