[MÚSICA] Ahora que sabemos todo sobre
clasificadores en regresión logísitca y su representación, Cómo impactan los parámetros,
cómo pueden ser usados para clasificación, cómo pueden ser usados
para clasificación multiclase. Esas son las bases que necesitamos
para hablar sobre clasificadores lineales y para realizar el resto de este
curso de clasificación. En éste módulo vamos a
profundizar y averiguar cómo aprender los parámetros
para el clasificador de regresión logística. Empecemos con una rápida revisión
para estar en la misma sintonía. Como recordamos, teníamos esta
revisión de producto o revisión de restaurante, y queríamos averiguar, por ejemplo, si
"el sushi y todo lo demás estuvo genial" tenía una alta probabilidad de ser
una opinión positiva, mientras "el sushi estuvo bien, el servicio estuvo OK" tenía una probabilidad
de sólo 0.55 de ser una opinión positiva. En otras palabras, queremos aprender un
clasificador de la forma probabilidad de y dado x, donde y es la etiqueta de salida
opinión positiva o negativa, y x es la oración de entrada,
la opinión actual. Hemos hablado sobre esta tarea y
discutido los clasificadores lineales donde asociamos un peso o un coeficiente
con cada característica de entrada, en nuestro caso podían ser palabras como
bueno, genial, increíble, etcétera, y las palabras positivas podían tener
coeficientes positivos, y las palabras negativas coeficientes negativos.
Definimos la función score, que es la ponderación de los coeficientes de las palabras
que aparecen en una oración [] de entrada particular, y el score puede variar entre
menos infinito a más infinito. [] Entonces lo comprimíamos al
segmento 01 para poder predecir la probabilidad de que
la opinión sea positiva dado el texto del comentario y el modelo
de regresión logística. Esa probabilidad está definida por 1 sobre 1 + e
a la menos w transpuesta h. Ya habíamos explorado
esto en el módulo anterior. Sólo para seguir el ritmo y entrar a ver cómo aprender estos
coeficientes ŵ a partir de los datos. [MÚSICA]