Что такое логистическая регрессия?

В машинном обучении логистическая регрессия - это не что иное, как классификация. Предположим, данное письмо является спамом или нет. Мы не можем использовать линейную регрессию для классификации, потому что классификация не является линейной регрессией.

В логистической регрессии двоичный результат означает «Да» или «Нет». Предположим, что если мы пытаемся построить модель классификатора для электронного письма, то x (i) будет некоторыми функциями почты, а y может быть «1», если электронное письмо является спамом. в противном случае «0». Следовательно, y∈ {0,1}. «0» обозначает отрицательный класс, а «1» обозначает положительный класс.

Если вы не знаете о модельном представлении, нажмите здесь.

Математический способ представления логистической регрессии.

в настоящее время,

z = mx + c

g (z) = сигмовидная (z)

g(z)=1/(1+e^(-z))

Сигмовидная функция:

g (z) даст нам вероятность того, что наш результат равен 1 или 0.

Например, g (z) = 0,7 дает нам 70% вероятность того, что наш результат равен 1. Наша вероятность того, что наш прогноз равен 0, является просто дополнением нашей вероятности того, что он равен 1 (например, если вероятность того, что это 1, равна 70%, то вероятность того, что это 0, составляет 30%).

Граница решения:

Чтобы перевести наш вывод в двоичную форму, напишите так

g (z) = сигмоид (z) ≥ 0,5, тогда Y = 1

g (z) = sigmoid (z) ‹0,5, тогда Y = 0

Граница принятия решения - это линия, которая разделяет область, где Y = 0 и где Y = 1. Она создается нашей функцией гипотезы.

Пример,

θ=[5, −1, 0]

y=1 if (5+(−1)x1+(0)x2)≥0

5−x1 ≥ 0

x1 ≤ 5

В этом случае граница нашего решения - это прямая вертикальная линия, помещенная на график, где x 1 = 5, и все, что слева от нее, означает y = 1, а все, что справа, означает y = 0. .

Примечание. Входными данными сигмоидной функции g (z) не обязательно должна быть линейная линия, это может быть круг или любая форма, которая соответствует нашим данным.

Это все для поста. Спасибо за чтение. Я скоро вернусь к вам с другими концепциями машинного обучения.

Удачного обучения !!!