Logistic Regression

الانحدار اللوجستي هو أسلوب إحصائي أساسي وخوارزمية في تعلّم الآلة تُستخدم أساسًا لمهام التصنيف الثنائي. وعلى الرغم من أن اسمه يتضمن كلمة «انحدار»، التي تشير عادةً إلى التنبؤ بقيم مستمرة (مثل درجات الحرارة أو أسعار الأسهم)، فإن الانحدار اللوجستي مصمم للتنبؤ باحتمال انتماء مُدخل معيّن إلى فئة محددة. وهذا ما يجعله أداةً بالغة الأهمية للمشكلات التي تكون نتائجها ثنائية، مثل تحديد ما إذا كانت رسالة بريد إلكتروني «مزعجة» أو «غير مزعجة»، أو ما إذا كان الورم الطبي «حميدًا» أو «خبيثًا». وهو يمثّل جسرًا بين الإحصاء التقليدي والتعلّم الخاضع للإشراف، إذ يوفّر توازنًا بين البساطة وقابلية التفسير، وغالبًا ما يُستخدم كنموذج أساسي قبل تطبيق نماذج أكثر تعقيدًا مثل الشبكات العصبية.

الآليات الأساسية والاحتمالات#

على خلاف الانحدار الخطي، الذي يلائم خطًا مستقيمًا لنقاط البيانات للتنبؤ بمخرج مستمر، يلائم الانحدار اللوجستي منحنى على شكل «S» للبيانات. ويُنشأ هذا المنحنى باستخدام دالة سيغمويد، وهي تحويل رياضي يعيّن أي عدد ذي قيمة حقيقية إلى قيمة بين 0 و1. ويمثّل هذا الناتج درجة احتمالية تشير إلى مدى الثقة بأن عيّنةً ما تنتمي إلى الفئة الإيجابية.

أثناء عملية التدريب، تتعلم الخوارزمية الأوزان والانحيازات المثلى لتقليل الخطأ. ويتحقق ذلك عادةً باستخدام خوارزمية تحسين مثل الانحدار المتدرج، التي تعدّل معلمات النموذج تكراريًا لتقليل الفرق بين الاحتمالات المتوقعة وتسميات الفئات الفعلية. ويُقيَّم الأداء غالبًا باستخدام دالة خسارة محددة تُسمى الخسارة اللوغاريتمية أو الإنتروبيا المتقاطعة الثنائية. وبمجرد أن يُخرج النموذج احتمالًا، تصنّف حدود القرار (التي تُضبط غالبًا عند 0.5) المُدخل: فالقيم التي تتجاوز العتبة تصبح ضمن الفئة الإيجابية، والقيم التي تقل عنها تصبح ضمن الفئة السلبية.

التمييز عن المصطلحات ذات الصلة#

من المهم التمييز بين الانحدار اللوجستي والمفاهيم المشابهة لتجنب الالتباس:

• الانحدار الخطي مقابل الانحدار اللوجستي: بينما يتنبأ الانحدار الخطي بمخرجات عددية مستمرة (مثل أسعار المنازل)، يتنبأ الانحدار اللوجستي بنتائج فئوية من خلال الاحتمالات.
• التصنيف مقابل الانحدار: في تعلّم الآلة، تتضمن مهام التصنيف التنبؤ بتسميات منفصلة، بينما تتنبأ مهام الانحدار بكميات مستمرة. والانحدار اللوجستي خوارزمية تصنيف رغم اسمه.
• البيرسيبترون: يستخدم البيرسيبترون البسيط دالةً درجية لإخراج قيمة ثنائية هي 0 أو 1 مباشرةً، بينما يستخدم الانحدار اللوجستي دالة سيغمويد سلسة لإخراج احتمال، ما يوفّر دقةً أكبر في التعبير.

التطبيقات الواقعية#

لا يزال الانحدار اللوجستي مستخدمًا على نطاق واسع في مختلف الصناعات بفضل كفاءته وسهولة تفسير نتائجه.

• الرعاية الصحية والتشخيص الطبي: يستخدم المتخصصون الطبيون هذه النماذج للتنبؤ باحتمال إصابة مريض بمرض محدد، مثل السكري أو أمراض القلب، استنادًا إلى عوامل مثل العمر ومؤشر كتلة الجسم وضغط الدم. ويساعد ذلك في تحليل الصور الطبية المبكر واتخاذ القرارات.
• التقييم الائتماني والتمويل: توظف البنوك الانحدار اللوجستي لتقييم مخاطر إقراض أحد العملاء. ومن خلال تحليل سمات مثل السجل الائتماني والدخل، يتنبأ النموذج باحتمال تعثر المقترض عن سداد قرض، مؤتمتًا بذلك النمذجة التنبؤية لتعزيز الأمان المالي.
• التسويق والتنبؤ بتوقف العملاء عن الاستخدام: تحلل الشركات سلوك العملاء للتنبؤ بما إذا كان المستخدم سيشترك في خدمة أو سيتوقف عن استخدام منتج. وتساعد هذه الرؤية في تحسين استراتيجيات الاحتفاظ بالعملاء واستهداف الحملات التسويقية بفعالية.

التطبيق الحديث#

في حين تُفضَّل نماذج التعلّم العميق مثل YOLO26 للمهام المعقدة مثل اكتشاف الكائنات، غالبًا ما يكون الانحدار اللوجستي هو الطبقة النهائية في شبكات تصنيف الصور الثنائية. فعلى سبيل المثال، قد تستخرج شبكة عصبية التفافية السمات، بينما تعمل الطبقة النهائية كمصنّف انحدار لوجستي لتحديد ما إذا كانت الصورة تحتوي على «قطة» أو «كلب».

تعمل أدوات مثل منصة Ultralytics على تبسيط سير العمل لتدريب نماذج التصنيف المعقدة التي تستفيد من هذه المبادئ الأساسية. ومع ذلك، يمكن للمكتبات البسيطة توضيح الآليات لفهم المفهوم الأساسي.

فيما يلي مثال أساسي باستخدام torch لتعريف بنية نموذج انحدار لوجستي بطبقة واحدة:

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 قوة هذه الخوارزمية ونقاط ضعفها في اختيار الأداة المناسبة للمهمة.

• قابلية التفسير: تشير معاملات النموذج (الأوزان) مباشرةً إلى العلاقة بين سمات المُدخل والمتغير الهدف. ويعني الوزن الموجب أنه كلما ازدادت قيمة السمة، ازداد احتمال النتيجة الإيجابية. وتُعد هذه الشفافية حيويةً من أجل أخلاقيات الذكاء الاصطناعي وشرح القرارات لأصحاب المصلحة.
• الكفاءة: يتطلب الانحدار اللوجستي قدرةً حسابية أقل مقارنةً بهياكل التعلّم العميق المعقدة، ما يجعله مناسبًا للتطبيقات ذات متطلبات زمن الاستجابة المنخفض أو الأجهزة محدودة الموارد.
• خطية البيانات: يتمثل أحد القيود الأساسية في افتراض وجود علاقة خطية بين متغيرات المُدخل واللوغاريتم النسبي لاحتمالات النتيجة. وقد يواجه صعوبةً مع أنماط البيانات غير الخطية والمعقدة للغاية، حيث قد تتفوق تقنيات متقدمة مثل آلات المتجهات الداعمة (SVM) أو الغابات العشوائية.
• فرط التكيّف: في مجموعات البيانات عالية الأبعاد التي تحتوي على عدد قليل من أمثلة التدريب، قد يكون الانحدار اللوجستي عرضةً لـفرط التكيّف، رغم إمكانية الحد من ذلك باستخدام تقنيات التنظيم.