Hva er logistisk regresjon
Logistisk regresjon er faktisk en klassifiseringsalgoritme, til tross for ordet "regresjon" i navnet.
Den har fått navnet sitt fordi den er basert på lineær regresjon, men bruker en logistisk (sigmoid) funksjon for å konvertere resultatet til sannsynligheter, slik at den kan klassifisere data i kategorier i stedet for å forutsi kontinuerlige verdier.
Anta at du ønsker å forutsi om en person vil misligholde et første lån (ingen kreditt-historikk tilgjengelig).
I lineær regresjon bygger vi en ligning for å forutsi numeriske verdier. Vi kan bruke den samme ligningen til å beregne en "pålitelighetsscore". Den vil ta hensyn til egenskaper som inntekt, varighet av nåværende ansettelse, gjeldsgrad, osv. En høyere pålitelighetsscore betyr en lavere sannsynlighet for mislighold.
β-verdiene er parameterne som modellen må lære. Under trening justerer datamaskinen disse verdiene for å gi bedre prediksjoner. Dette gjøres ved å minimere forskjellen mellom de predikerte resultatene og de faktiske etikettene – denne forskjellen måles med noe som kalles tapfunksjonen.
For å gjøre modellens rå output om til en klasselabel (0 eller 1), bruker logistisk regresjon en sigmoidfunksjon. Denne funksjonen tar et hvilket som helst reelt tall og presser det inn i et område mellom 0 og 1, slik at det kan tolkes som en sannsynlighet.
Sigmoidfunksjonen er definert som:
σ(z)=1+e−z1Her er z scoren (også kalt logit) som vi tidligere har beregnet.
Gitt to klasser: 1 (en person vil misligholde et første lån) og 0 (en person vil ikke misligholde et første lån), får vi etter å ha brukt sigmoidfunksjonen sannsynligheten for at eksempelet tilhører klasse 1.
For å ta en endelig beslutning (0 eller 1), sammenligner vi sannsynligheten med en terskel – vanligvis 0,5:
- Hvis sannsynligheten er større enn 0,5, predikerer vi 1;
- Hvis den er mindre enn eller lik 0,5, predikerer vi 0.
Takk for tilbakemeldingene dine!
Spør AI
Spør AI
Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår
Can you explain why logistic regression is used for classification instead of regression?
How does the loss function work in logistic regression?
What is the significance of the sigmoid function in logistic regression?
Awesome!
Completion rate improved to 4.17Hva er logistisk regresjon
Sveip for å vise menyen
Logistisk regresjon er faktisk en klassifiseringsalgoritme, til tross for ordet "regresjon" i navnet.
Den har fått navnet sitt fordi den er basert på lineær regresjon, men bruker en logistisk (sigmoid) funksjon for å konvertere resultatet til sannsynligheter, slik at den kan klassifisere data i kategorier i stedet for å forutsi kontinuerlige verdier.
Anta at du ønsker å forutsi om en person vil misligholde et første lån (ingen kreditt-historikk tilgjengelig).
I lineær regresjon bygger vi en ligning for å forutsi numeriske verdier. Vi kan bruke den samme ligningen til å beregne en "pålitelighetsscore". Den vil ta hensyn til egenskaper som inntekt, varighet av nåværende ansettelse, gjeldsgrad, osv. En høyere pålitelighetsscore betyr en lavere sannsynlighet for mislighold.
β-verdiene er parameterne som modellen må lære. Under trening justerer datamaskinen disse verdiene for å gi bedre prediksjoner. Dette gjøres ved å minimere forskjellen mellom de predikerte resultatene og de faktiske etikettene – denne forskjellen måles med noe som kalles tapfunksjonen.
For å gjøre modellens rå output om til en klasselabel (0 eller 1), bruker logistisk regresjon en sigmoidfunksjon. Denne funksjonen tar et hvilket som helst reelt tall og presser det inn i et område mellom 0 og 1, slik at det kan tolkes som en sannsynlighet.
Sigmoidfunksjonen er definert som:
σ(z)=1+e−z1Her er z scoren (også kalt logit) som vi tidligere har beregnet.
Gitt to klasser: 1 (en person vil misligholde et første lån) og 0 (en person vil ikke misligholde et første lån), får vi etter å ha brukt sigmoidfunksjonen sannsynligheten for at eksempelet tilhører klasse 1.
For å ta en endelig beslutning (0 eller 1), sammenligner vi sannsynligheten med en terskel – vanligvis 0,5:
- Hvis sannsynligheten er større enn 0,5, predikerer vi 1;
- Hvis den er mindre enn eller lik 0,5, predikerer vi 0.
Takk for tilbakemeldingene dine!
