Logistic Regression

الانحدار اللوجستي هو طريقة إحصائية وخوارزمية تعلم آلي أساسية تُستخدم بشكل رئيسي لمهام التصنيف الثنائي. على الرغم من أن اسمه يحتوي على "انحدار"، والذي يشير عادةً إلى التنبؤ بقيم مستمرة (مثل درجة الحرارة أو أسعار الأسهم)، فإن الانحدار اللوجستي مصمم للتنبؤ باحتمالية انتمائية مدخل معين إلى فئة محددة. وهذا يجعله أداة حاسمة للمشكلات التي تكون فيها النتيجة ثنائية، مثل تحديد ما إذا كان البريد الإلكتروني "غير مرغوب فيه" أو "ليس غير مرغوب فيه"، أو ما إذا كان الورم الطبي "حميداً" أو "خبيثاً". وهو بمثابة جسر بين الإحصاء التقليدي والتعلم الخاضع للإشراف الحديث، حيث يوفر توازناً بين البساطة وقابلية التفسير التي تُستخدم غالباً كأساس قبل تنفيذ نماذج أكثر تعقيداً مثل الشبكات العصبية.

Link to this sectionالآليات الجوهرية والاحتمالية#

على عكس الانحدار الخطي، الذي يطابق خطاً مستقيماً مع نقاط البيانات للتنبؤ بمخرج مستمر، يقوم الانحدار اللوجستي بمطابقة منحنى على شكل حرف "S" مع البيانات. يتم إنشاء هذا المنحنى باستخدام دالة سيجمويد، وهي تحويل رياضي يعين أي رقم حقيقي إلى قيمة بين 0 و1. يمثل هذا المخرج درجة احتمالية، تشير إلى مدى الثقة في أن الحالة تنتمي إلى الفئة الإيجابية.

خلال عملية التدريب، تتعلم الخوارزمية الأوزان والانحيازات المثلى لتقليل الخطأ. يتم تحقيق ذلك عادةً باستخدام خوارزمية تحسين مثل الانحدار الاشتقاقي، والتي تقوم بتعديل معلمات النموذج تكرارياً لتقليل الفرق بين الاحتمالات المتوقعة وتسميات الفئات الفعلية. غالباً ما يتم تقييم الأداء باستخدام دالة فقدان محددة تسمى Log Loss أو الانتروبيا المتقاطعة الثنائية. بمجرد أن يخرج النموذج احتمالية، يقوم حد القرار (الذي غالباً ما يتم ضبطه عند 0.5) بتصنيف المدخلات: القيم الأعلى من العتبة تصبح الفئة الإيجابية، والقيم الأقل تصبح الفئة السلبية.

Link to this sectionالتمييز 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 تصنيفية عبر الاحتمالات.
• التصنيف مقابل الانحدار: في تعلم الآلة، تتضمن مهام التصنيف التنبؤ بتسميات منفصلة، في حين تتنبأ مهام الانحدار بكميات مستمرة. الانحدار اللوجستي هو خوارزمية تصنيف على الرغم من اسمه.
• البرسيبترون: يستخدم البرسيبترون البسيط دالة خطوة لإخراج 0 أو 1 ثنائي مباشرة، في حين يستخدم الانحدار اللوجستي دالة سيجمويد الناعمة لإخراج احتمالية، مما يوفر المزيد من الدقة.

Link to this sectionتطبيقات العالم الحقيقي#

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

• الرعاية الصحية والتشخيص الطبي: يستخدم المحترفون الطبيون هذه النماذج للتنبؤ باحتمالية إصابة المريض بمرض معين، مثل السكري أو أمراض القلب، بناءً على عوامل مثل العمر ومؤشر كتلة الجسم وضغط الدم. يساعد هذا في تحليل الصور الطبية المبكر واتخاذ القرارات.
• التصنيف الائتماني والتمويل: تنشر البنوك الانحدار اللوجستي لتقييم مخاطر الإقراض للعملاء. من خلال تحليل ميزات مثل التاريخ الائتماني والدخل، يتنبأ النموذج باحتمالية تخلف المقترض عن سداد قرض، مما يعمل على أتمتة النمذجة التنبؤية للأمان المالي.
• التسويق والتنبؤ بالتناقص: تحلل الشركات سلوك العملاء للتنبؤ بما إذا كان المستخدم سيشترك في خدمة أو يتوقف عن استخدام منتج (تناقص). تساعد هذه الرؤية في تحسين استراتيجيات الاحتفاظ بالعملاء واستهداف حملات التسويق بفعالية.

Link to this sectionالتنفيذ الحديث#

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

تعمل أدوات مثل Ultralytics Platform على تبسيط سير العمل لتدريب نماذج تصنيف معقدة تستفيد من هذه المبادئ الأساسية. ومع ذلك، لفهم المفهوم الخام، يمكن للمكتبات البسيطة توضيح الآليات.

إليك مثال أساسي يستخدم torch لتحديد 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)

Link to this sectionالمزايا والقيود#

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

• قابلية التفسير: تشير معاملات النموذج (الأوزان) مباشرة إلى العلاقة بين ميزات الإدخال والمتغير المستهدف. يعني الوزن الإيجابي أنه مع زيادة الميزة، تزداد احتمالية النتيجة الإيجابية. هذه الشفافية حيوية لـ أخلاقيات الذكاء الاصطناعي وشرح القرارات لأصحاب المصلحة.
• الكفاءة: يتطلب قوة حوسبة أقل مقارنة بهياكل التعلم العميق المعقدة، مما يجعله مناسباً للتطبيقات ذات متطلبات زمن الانتقال المنخفض أو الأجهزة المحدودة.
• خطية البيانات: أحد القيود الرئيسية هو أنه يفترض علاقة خطية بين متغيرات الإدخال واحتمالات النتيجة (log-odds). قد يواجه صعوبة مع أنماط البيانات المعقدة وغير الخطية للغاية حيث قد تتفوق تقنيات متقدمة مثل آلات ناقلات الدعم (SVM) أو الغابات العشوائية.
• الإفراط في التخصيص (Overfitting): في مجموعات البيانات عالية الأبعاد مع أمثلة تدريب قليلة، قد يكون الانحدار اللوجستي عرضة لـ الإفراط في التخصيص، على الرغم من أنه يمكن تخفيف ذلك باستخدام تقنيات التنظيم.