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 -
- Двоичная логистическая регрессия - обычно используется, когда зависимая функция имеет двоичный ответ Да / Нет, 0/1 и т. д.
- 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.
- 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!