Всем привет 👋 ,

В настоящее время машинное обучение и его приложения развиваются день ото дня. Нам становится все труднее вспоминать основные концепции, связанные с машинным обучением, ежедневно.

Поэтому представляем серию шпаргалок по алгоритмам машинного обучения, в которых мы будем вспоминать основные концепции, связанные с алгоритмом машинного обучения, которые будут полезны для вас при взломе любых собеседований или проектов в области науки о данных.

Это будет прямое объяснение для быстрого пересмотра и понимания алгоритмов машинного обучения.

Так что держись крепче ……… ..

Логистическая регрессия

  • Целью логистической регрессии является моделирование вероятностей проблем классификации с двумя исходами: 0 или 1, да / нет. По сути, это расширение модели линейной регрессии для выполнения классификации.
  • Линейная регрессия в основном работает для задач регрессии, но не подходит для классификации. Почему?
  • Линейная модель не выводит вероятности, однако рассматривает классы 0 и 1 как числа и пытается найти наиболее подходящую линию, которая минимизирует расстояние между точкой и линией. Более того, делает это. не выплевывать вероятности, необходимые для линейного разделения двух классов.

  • Таким образом, вместо подбора прямой линии Логистическая регрессия использует функцию Logit, которая является сигмоидной функцией для сжатия выходных данных линейного уравнения между 0 и 1. Логистическая функция определяется как:

  • Алгоритм логистической регрессии оценивает вероятность попадания в конкретную категориальную зависимую переменную на основе заданных независимых переменных. Шансы или вероятность, описывающие результат одной итерации, моделируются как функция независимых переменных.
  • Логистическая регрессия делится на три типа в зависимости от типа данных целевой функции -
  1. Двоичная логистическая регрессия - обычно используется, когда зависимая функция имеет двоичный ответ Да / Нет, 0/1 и т. д.
  2. Многозначная логистическая регрессия - Когда целевая функция имеет более трех ответов или категорий без какого-либо примера заказа. Прогнозирование типа лекарств, используемых для лечения COVID-19.
  3. Порядковая логистическая регрессия - когда целевая функция имеет более трех ответов или категорий с определенным порядком. пример Прогнозирование серьезности COVID-19, т.е. высокая / средняя / низкая.

Руководство пользователя по логистической регрессии

# Логистическая регрессия может использоваться, когда есть особые требования к моделированию вероятностей целевой функции как функции других пояснительных функций.

# Используйте логит-регрессию, когда необходимо спрогнозировать вероятности категориальной зависимой переменной, которая является двоичной в зависимости от других объясняющих функций.

# Алгоритм логистической регрессии используется, когда требуется классификация по двум категориям на основе других пояснительных функций.

Преимущества логит-регрессии

  • Легко интерпретировать и менее сложно
  • Может обрабатывать нелинейные точки данных, поскольку линейная связь между предикторами не предполагается.
  • Алгоритм классификации, который не предполагает нормального распределения между функциями.
  • Предоставляет распределение вероятностей по сравнению с другими моделями машинного обучения.
  • Логистическая регрессия также может быть расширена от двоичной классификации до классификации нескольких классов.

Недостатки Logit Distribution

  • Переоснащение может произойти, когда у нас есть большие размеры и разреженные данные обучения.
  • Он не устойчив к выбросам и отсутствующим значениям.
  • Требуется больше точек данных для достижения стабильности и значимых результатов.
  • Логит-регрессия предсказывает результат, который зависит от группы конкретных независимых функций.

Приложения логит-регрессии

  • Алгоритм логистической регрессии применяется в области эпидемиологии.
  • Используется для прогнозирования результатов политических выборов.
  • Используется для классификации набора слов как существительных, местоимений, глаголов и прилагательных.
  • Используется в прогнозировании погоды для предсказания вероятности дождя.
  • Используется в розничном банкинге для прогнозирования невыполнения ссуды или управления рисками.

ℹ Реализация Scikit learn алгоритма логистической регрессии можно найти здесь.

ℹ Реализацию алгоритма логистической регрессии на языке R можно найти здесь.

Надеюсь, что благодаря вышесказанному вы лучше поймете логистическую регрессию и сможете ответить на любой вопрос собеседования, связанный с алгоритмом логистической регрессии.

Чтобы ознакомиться со следующей шпаргалкой по алгоритму ML, перейдите по этой ссылке.

Просмотрите мои другие блоги, связанные с ML / DL, здесь.

Если вам нравится этот пост, подпишитесь на меня. Если вы заметили какие-либо ошибки в образе мышления, формулах, анимации или коде, сообщите мне об этом.

Ура!