الانحدار اللوجستي

الانحدار اللوجستي هو خوارزمية تعلّم تحت الإشراف أساسية تُستخدم في مهام التصنيف في التعلّم الآلي (ML). وعلى الرغم من أن اسمها يحتوي على كلمة "انحدار"، إلا أنها في المقام الأول أداة للتنبؤ بنتيجة فئوية وليست مستمرة. يعمل النموذج من خلال حساب احتمال انتماء مدخلات معينة إلى فئة معينة. يتم تقييمه على نطاق واسع لبساطته وقابليته للتفسير وكفاءته، مما يجعله نموذجًا أساسيًا ممتازًا للعديد من مشاكل التصنيف قبل محاولة استخدام طرق أكثر تعقيدًا.

كيف يعمل الانحدار اللوجستي

يتنبأ الانحدار اللوجستي باحتمالية حدوث نتيجة ما عن طريق تركيب البيانات على دالة لوغاريتم، وغالبًا ما تكون دالة سيغمويد. وتأخذ هذه الدالة أي رقم ذي قيمة حقيقية وتحوّله إلى قيمة بين 0 و1، والتي تمثل الاحتمال. بالنسبة لمهمة تصنيف ثنائية (على سبيل المثال، نعم/لا، صواب/خطأ)، إذا كان احتمال الخرج أعلى من عتبة معينة (عادةً 0.5)، يتنبأ النموذج بفئة واحدة؛ وإلا فإنه يتنبأ بالفئة الأخرى. يتعلم النموذج أفضل المعاملات لميزات المدخلات من خلال عملية تدريب تهدف إلى تقليل دالة الخسارة، وعادةً ما تستخدم تقنية تحسين مثل نزول التدرج.

تكمن القوة الأساسية لهذه الطريقة في قابليتها للتفسير. تشير المعاملات المكتسبة إلى اتجاه وقوة العلاقة بين كل سمة من سمات المدخلات والنتيجة، مما يوفر رؤى قيمة في البيانات. على الرغم من بساطة هذه الطريقة، إلا أن أداءها يعتمد غالبًا على هندسة الميزات الجيدة لالتقاط المعلومات الأكثر صلة.

أنواع الانحدار اللوجستي

يمكن تصنيف الانحدار اللوجستي بناءً على عدد النتائج المحتملة:

• الانحدار اللوجستي الثنائي: وهو النوع الأكثر شيوعاً، ويُستخدم عندما يكون للمتغير التابع نتيجتان محتملتان فقط (على سبيل المثال، رسائل غير مرغوب فيها أو غير مرغوب فيها).
• الانحدار اللوجستي متعدد الحدود: يُستخدم عندما يحتوي المتغير التابع على ثلاث فئات غير مرتبة أو أكثر (على سبيل المثال، التنبؤ باختيار العميل للمنتج من بين مجموعة من ثلاثة منتجات مختلفة). يمكن العثور على شرح مفصّل في مصادر مثل مقالة ويكيبيديا عن اللوغاريتم متعدد الحدود.
• الانحدار اللوجستي الترتيبي: يُستخدم عندما يحتوي المتغير التابع على ثلاث فئات مرتبة أو أكثر (على سبيل المثال، تصنيف الخدمة على أنها "رديئة" أو "مقبولة" أو "جيدة").

التطبيقات الواقعية

يتم تطبيق الانحدار اللوجستي في العديد من الصناعات نظرًا لفعاليته وبساطته.

• تحليل الصور الطبية: في مجال الرعاية الصحية، يمكن استخدامه للتنبؤ باحتمالية إصابة المريض بمرض معين بناءً على أعراضه وبيانات التشخيص. على سبيل المثال، يمكن أن يشكل نموذجًا لاحتمالية أن يكون الورم خبيثًا أو حميدًا بناءً على خصائصه، كما تم استكشافه في العديد من الدراسات البحثية الطبية.
• اكتشاف البريد الإلكتروني غير المرغوب فيه: وهو مثال كلاسيكي حيث يصنف النموذج رسائل البريد الإلكتروني على أنها "رسائل بريد إلكتروني غير مرغوب فيها" أو "غير مرغوب فيها" بناءً على ميزات مثل وجود كلمات رئيسية معينة، ومعلومات المرسل، وهيكل البريد الإلكتروني. هذا التصنيف الثنائي مهم لتصفية المحتوى غير المرغوب فيه.
• تسجيل الائتمان والتنبؤ المالي: تستخدم البنوك والمؤسسات المالية الانحدار اللوجستي للتنبؤ بما إذا كان طالب القرض سيتخلف عن السداد أم لا، مما يساعد في اتخاذ قرارات الإقراض.

نقاط القوة والضعف

نقاط القوة:

• البساطة والكفاءة: إنه سهل التنفيذ وغير مكلف من الناحية الحسابية للتدريب، حتى على مجموعات البيانات الكبيرة.
• قابلية التفسير: ترتبط معاملات النموذج ارتباطًا مباشرًا بأهمية ميزات المدخلات، مما يجعل النتائج سهلة التفسير، وهو عنصر أساسي في الذكاء الاصطناعي القابل للتفسير.
• خط أساس جيد: إنه بمثابة نقطة انطلاق قوية لأي مهمة تصنيف للصور، مما يساعد على إنشاء معيار للأداء.
• مخرجات الاحتمالات: يوفر درجات احتمالية للنتائج، وهو أمر مفيد لترتيب عتبات القرار وتعديلها.

نقاط الضعف:

• افتراض الخطية: يفترض وجود علاقة خطية بين ميزات المدخلات ولوغاريتمات لوغاريتمات النتيجة، لذا قد لا تلتقط الأنماط المعقدة وغير الخطية بشكل جيد.
• الحساسية للقيم المتطرفة: يمكن أن يتأثر الأداء بشكل كبير بالقيم المتطرفة في البيانات.
• عرضة لعدم الملاءمة: قد لا يكون قويًا بما فيه الكفاية لمجموعات البيانات المعقدة ذات حدود القرار غير الخطية للغاية.
• يتطلب هندسة الميزات: غالبًا ما تعتمد فعاليته على مدى جودة هندسة ميزات الإدخال واختيارها.

مقارنة مع الخوارزميات الأخرى

غالبًا ما تتم مقارنة الانحدار اللوجستي مع خوارزميات التعلم الآلي الأساسية الأخرى.

• مقابل الانحدار الخطي: على الرغم من أن كليهما من تقنيات الانحدار، إلا أن الانحدار الخطي يُستخدم للتنبؤ بالقيم المستمرة (مثل سعر المنزل)، بينما يُستخدم الانحدار اللوجستي لمهام التصنيف (مثل التنبؤ بنتيجة ثنائية).
• مقابل آلات دعم المتجهات (SVM): يمكن لآلات SVMs التعامل مع العلاقات غير الخطية بفعالية أكبر باستخدام خدعة النواة وتهدف إلى إيجاد مستوى مفرط فاصل مثالي. من ناحية أخرى، يركز الانحدار اللوجستي على نهج احتمالي. قد تقدم الآلات SVMs دقة أعلى ولكن يمكن أن تكون أقل قابلية للتفسير.
• مقابل باييز الس اذج: باييز الساذج هو نموذج توليد بينما الانحدار اللوجستي هو نموذج تمييزي. غالبًا ما يكون أداء باييه الساذج جيدًا مع مجموعات البيانات الأصغر أو البيانات عالية الأبعاد (مثل النصوص)، في حين قد يكون الانحدار اللوجستي أفضل إذا تم انتهاك افتراض استقلالية الميزة في باييه الساذج.
• مقابل نماذج التعلم العميق: بالنسبة للمهام المعقدة مثل الرؤية الحاسوبية، تتفوق النماذج المتطورة مثل الشبكات العصبية التلافيفية (CNNs) ونماذج مثل Ultralytics YOLO على الانحدار اللوجستي. تقوم هذه النماذج باستخراج الميزات تلقائيًا، بينما يتطلب الانحدار اللوجستي هندسة الميزات يدويًا. ومع ذلك، فإن الانحدار اللوجستي أسرع بكثير في التدريب ويتطلب بيانات وموارد حاسوبية أقل بكثير مثل وحدات معالجة الرسومات.

تتوافر تطبيقات الانحدار اللوجستي على نطاق واسع في مكتبات مثل Scikit-learn، وهي مدعومة من قبل أطر عمل التعلم الآلي الرئيسية مثل PyTorch و TensorFlow. وعلى الرغم من أنه ليس الأحدث في كل مشكلة، إلا أن فائدته كخط أساس بسيط وقابل للتفسير وفعال يجعله أداة لا غنى عنها في مجموعة أدوات ممارس التعلم الآلي. يمكن لأدوات مثل Ultralytics HUB أن تساعد في إدارة دورة حياة النماذج المختلفة، بدءًا من خطوط الأساس البسيطة إلى حلول التعلم العميق المعقدة.