Логистическая регрессия — это метод, который можно использовать как для традиционной статистики, так и для машинного обучения.

Логистическая регрессия аналогична линейной регрессии, за исключением того, что логистическая регрессия предсказывает, является ли что-то истинным или ложным, вместо того, чтобы предсказывать что-то непрерывное, например размер.

Кроме того, вместо подгонки линии к данным логистическая регрессия соответствует S-образной логистической функции.

Кривая идет от 0 до 1, т. е. кривая говорит нам о вероятности этой конкретной точки на кривой.

Логистическая регрессия обычно используется для классификации.

Как и линейная регрессия, логистическая регрессия может работать с непрерывными данными (такими как вес и возраст) и дискретными данными (такими как геном и астрологический знак).

Логистическая регрессия использует Оценку максимального правдоподобия (MLE), чтобы подобрать линию. MLE — это метод, используемый для оценки параметров данного распределения с использованием некоторых наблюдаемых данных.

  • Он вычисляет вероятности всех точек, а затем умножает все эти вероятности вместе. Это вероятность данных, заданных этой строкой.
  • Затем вы сдвигаете линию и вычисляете новую вероятность данных, а затем снова сдвигаете линию и снова и снова вычисляете вероятность…
  • наконец, выбирается кривая с максимальной вероятностью.

Использование сигмовидной функции в логической регрессии.

Причина, по которой мы выбираем сигмоидальную функцию для моделирования задач классификации, решаемых с помощью логистической регрессии, заключается в том, что мы хотим убедиться, что прогнозируемое значение имеет определенный диапазон (т. е. от 0 до 1). что помогает нам различать классы.

Y = 1 / 1+e -z

Таким образом, если значение z стремится к положительной бесконечности, то прогнозируемое значение y станет равным 1, а если оно стремится к отрицательной бесконечности, то прогнозируемое значение y станет равным 0. И если результат сигмовидной функции больше 0,5, тогда мы классифицируем эту метку как класс 1 или положительный класс, и если она меньше 0,5, мы можем классифицировать ее как отрицательный класс или пометить как класс 0.

Разница между линейной регрессией и логистической регрессией

  1. Линейная регрессия соответствует линии данным, тогда как логистическая регрессия соответствует S-образной логистической/сигмовидной функции.
  2. Линейная регрессия хороша для прогнозирования непрерывных результатов, таких как заработная плата, цены на жилье и т. д., тогда как логистическая регрессия используется для задач классификации, предсказывающих диапазон вероятностей от 0 до 1.
  3. С помощью линейной регрессии мы подгоняем линию, используя «наименьшие квадраты»,другими словами, мы находим линию, которая минимизирует сумму квадратов остатков, тогда как логистическая регрессия использует оценку максимального правдоподобия (MLE). чтобы соответствовать линии.
  4. В линейной регрессии мы также можем использовать остатки для расчета R², чтобы сравнить простые модели со сложными моделями. тогда как в логистической регрессии отсутствует понятие остатков, поэтому мы не можем рассчитать R².

Резюме логистической регрессии-

  • Логистическую регрессию можно использовать для классификации выборок.
  • Он может использовать различные типы данных (например, размер, геном) для классификации.
  • Его можно использовать для оценки того, какие переменные полезны для классификации выборок.

Надеюсь, вам понравилась моя короткая статья о логистической регрессии.

Спасибо!!!!!!