Logistic Regression

الانحدار اللوجستي هو طريقة إحصائية أساسية وخوارزمية تعلم آلي تُستخدم أساساً لمهام التصنيف الثنائي. على الرغم من أن اسمه يحتوي على "انحدار" (Regression)، والذي عادة ما يعني التنبؤ بقيم مستمرة (مثل درجات الحرارة أو أسعار الأسهم)، إلا أن الانحدار اللوجستي مصمم للتنبؤ باحتمالية أن ينتمي مدخل معين إلى فئة محددة. وهذا يجعله أداة بالغة الأهمية للمشكلات التي تكون فيها النتيجة ثنائية، مثل تحديد ما إذا كان البريد الإلكتروني "رسائل مزعجة" (spam) أم "ليس رسائل مزعجة"، أو ما إذا كان الورم الطبي "حميداً" أم "خبيثاً". وهو بمثابة جسر بين الإحصاء التقليدي والتعلم الخاضع للإشراف الحديث، حيث يقدم توازناً بين البساطة وقابلية التفسير والذي غالباً ما يُستخدم كخط أساس قبل تطبيق نماذج أكثر تعقيداً مثل الشبكات العصبية.

الآليات الجوهرية والاحتمالية#

على عكس الانحدار الخطي، الذي يطابق خطاً مستقيماً مع نقاط البيانات للتنبؤ بخروج مستمر، يقوم الانحدار اللوجستي بمطابقة منحنى على شكل حرف "S" مع البيانات. يتم إنشاء هذا المنحنى باستخدام دالة السيجمويد، وهي تحويل رياضي يربط أي عدد حقيقي بقيمة تتراوح بين 0 و1. يمثل هذا الخرج درجة احتمالية، مما يشير إلى مدى الثقة في أن الحالة تنتمي إلى الفئة الإيجابية.

خلال عملية التدريب، تتعلم الخوارزمية الأوزان والانحيازات المثلى تقليلاً للخطأ. ويتحقق ذلك عادةً باستخدام خوارزمية تحسين مثل الإنحدار التدريجي، والتي تقوم بتعديل معلمات النموذج بشكل تكراري لتقليل الفرق بين الاحتمالات المتوقعة وتسميات الفئات الفعلية. غالباً ما يُقيم الأداء باستخدام دالة خسارة محددة تسمى خسارة السجل أو الإنتروبيا الثنائية المتقاطعة. بمجرد أن يُخرج النموذج احتمالية، فإن حد القرار (الذي غالباً ما يتم تعيينه عند 0.5) يقوم بتصنيف المدخل: القيم التي تزيد عن العتبة تصبح الفئة الإيجابية، والقيم التي تقل عنها تصبح الفئة السلبية.

التمييز عن المصطلحات ذات الصلة#

من المهم التمييز بين الانحدار اللوجستي والمفاهيم المماثلة لتجنب الارتباك:

• الانحدار الخطي مقابل الانحدار اللوجستي: بينما يتنبأ الانحدار الخطي بمخرجات رقمية مستمرة (مثل أسعار المنازل)، يتنبأ الانحدار اللوجستي بنتائج فئوية عبر الاحتمالات.
• التصنيف مقابل الانحدار: في تعلم الآلة، تتضمن مهام التصنيف التنبؤ بتسميات منفصلة، بينما تتنبأ مهام الانحدار بكميات مستمرة. الانحدار اللوجستي هو خوارزمية تصنيف على الرغم من اسمه.
• البيرسيبترون: يستخدم البيرسيبترون البسيط دالة خطوة لإخراج رقم ثنائي 0 أو 1 مباشرة، بينما يستخدم الانحدار اللوجستي دالة السيجمويد السلسة لإخراج احتمالية، مما يقدم قدراً أكبر من الدقة.

تطبيقات العالم الحقيقي#

لا يزال الانحدار اللوجستي مستخدماً على نطاق واسع عبر مختلف الصناعات نظراً لكفاءته وسهولة تفسير نتائجه.

• الرعاية الصحية والتشخيص الطبي: يستخدم متخصصو الرعاية الصحية هذه النماذج للتنبؤ باحتمالية إصابة المريض بمرض معين، مثل السكري أو أمراض القلب، بناءً على عوامل مثل العمر، مؤشر كتلة الجسم (BMI)، وضغط الدم. يساعد هذا في تحليل الصور الطبية المبكر وعملية اتخاذ القرار.
• تسجيل الائتمان والتمويل: تنشر البنوك الانحدار اللوجستي لتقييم مخاطر الإقراض للعملاء. من خلال تحليل ميزات مثل التاريخ الائتماني والدخل، يتنبأ النموذج باحتمالية تخلف المقترض عن سداد القرض، مما أدى إلى أتمتة النمذجة التنبؤية للأمان المالي.
• التسويق والتنبؤ بمعدل إلغاء الاشتراكات: تحلل الشركات سلوك العملاء للتنبؤ ما إذا كان المستخدم سيشترك في خدمة ما أو يتوقف عن استخدام منتج (الإلغاء). تساعد هذه الرؤية في تحسين استراتيجيات الاحتفاظ بالعملاء واستهداف الحملات التسويقية بفعالية.

التنفيذ الحديث#

في حين أن نماذج التعلم العميق مثل YOLO26 يُفضل استخدامها للمهام المعقدة مثل اكتشاف الكائنات، فإن الانحدار اللوجستي غالباً ما يكون الطبقة الأخيرة في شبكات تصنيف الصور الثنائية. على سبيل المثال، قد تستخرج شبكة عصبية تلافيفية الميزات، وتعمل الطبقة الأخيرة كمصنف انحدار لوجستي لتحديد ما إذا كانت الصورة تحتوي على "قطة" أو "كلب".

تُبسّط الأدوات مثل Ultralytics Platform سير العمل لتدريب نماذج التصنيف المعقدة التي تستخدم هذه المبادئ الأساسية. ومع ذلك، لفهم المفهوم الخام، يمكن للمكتبات البسيطة توضيح الميكانيكا.

إليك مثال أساسي باستخدام torch لتعريف بنية نموذج انحدار لوجستي أحادي الطبقة:

import torch
import torch.nn as nn


# Define a simple Logistic Regression model class
class LogisticRegression(nn.Module):
    def __init__(self, input_dim):
        super().__init__()
        # A single linear layer maps input features to a single output
        self.linear = nn.Linear(input_dim, 1)

    def forward(self, x):
        # The sigmoid function transforms the linear output to a probability (0 to 1)
        return torch.sigmoid(self.linear(x))


# Example usage: Initialize model for 10 input features
model = LogisticRegression(input_dim=10)
print(model)

المزايا والقيود#

يساعد فهم نقاط القوة والضعف لهذه الخوارزمية في اختيار الأداة المناسبة للمهمة.

• قابلية التفسير: تشير معاملات النموذج (الأوزان) بشكل مباشر إلى العلاقة بين ميزات الإدخال والمتغير المستهدف. الوزن الإيجابي يعني أنه كلما زادت الميزة، زادت احتمالية النتيجة الإيجابية. هذه الشفافية حيوية لـ أخلاقيات الذكاء الاصطناعي وشرح القرارات لأصحاب المصلحة.
• الكفاءة: يتطلب قوة حوسبية أقل مقارنة بهندسات التعلم العميق المعقدة، مما يجعله مناسباً للتطبيقات ذات متطلبات زمن الانتقال المنخفض أو الأجهزة المحدودة.
• خطي البيانات: أحد القيود الرئيسية هو أنه يفترض وجود علاقة خطية بين متغيرات المدخلات والاحتمالات اللوغاريتمية للنتيجة. قد يعاني مع أنماط البيانات غير الخطية شديدة التعقيد حيث قد تتفوق التقنيات المتقدمة مثل آلات المتجهات الداعمة (SVM) أو الغابات العشوائية.
• التفرط في التناسب: على مجموعات البيانات عالية الأبعاد ذات أمثلة التدريب القليلة، يمكن أن يكون الانحدار اللوجستي عرضة لـ التفرط في التناسب، على الرغم من أنه يمكن تخفيف ذلك باستخدام تقنيات التنظيم.