Lojistik Regresyon

Lojistik Regresyon, psikoloji alanında temel bir algoritmadır. makine öğrenimi (ML) öncelikle ikili öğrenme için kullanılır sınıflandırma görevleri. Terime rağmen Adındaki "regresyon" kelimesi genellikle yeni başlayanların kafasını karıştırır, regresyon gibi sürekli değerleri tahmin etmek için kullanılmaz. konut fiyatları veya sıcaklık. Bunun yerine, belirli bir girdinin belirli bir kategoriye ait olma olasılığını tahmin eder, "spam" veya "spam değil" gibi. Bu kitap, Türkiye'ye temel bir giriş noktası olarak hizmet vermektedir. dengesi sunan denetimli öğrenme basitliği ve yorumlanabilirliği, onu birçok tahmine dayalı modelleme projesi için güvenilir bir temel haline getirmektedir.

Lojistik Regresyon Mekaniği

Lojistik Regresyon, özünde matematiksel bir yöntem kullanarak girdisini 0 ile 1 arasında bir olasılık puanına dönüştürür. Sigmoid fonksiyon olarak bilinen fonksiyon. Aksine Doğrusal Regresyon, düz bir çizgiyi Sürekli bir sonucu tahmin etmek için veriler, Lojistik Regresyon "S" şeklinde bir eğriye uyar. Bu eğri, aynı zamanda Lojistik fonksiyon olarak adlandırılan bu fonksiyon, herhangi bir gerçek değerli sayıyı bir olasılık değerine eşler.

Model en uygun modeli öğrenir weights and biases için eğitim süreci sırasında girdi özellikleri. Bu, tipik olarak, belirli bir değerin en aza indirilmesiyle elde edilir. Log Kaybı olarak bilinen kayıp fonksiyonu (veya İkili Çapraz Entropi) kullanarak gibi optimizasyon algoritması gradyan inişi. Eğer hesaplanan olasılık tanımlanmış bir eşiği (genellikle 0,5) aştığında, model örneği pozitif sınıfa atar; aksi takdirde negatif sınıfa.

Temel Kavramlar ve Terminoloji

Lojistik Regresyonu anlamak, aşağıdaki konularda sıkça karşılaşılan birkaç temel kavrama aşina olmayı gerektirir veri bilimi:

• Karar Sınırı: Sınıfları ayıran bir eşik değeri. Örneğin, 2 boyutlu bir özellikte uzayında, bu iki veri noktası grubunu ayıran düz bir çizgi olabilir.
• Düzenli hale getirme: L1 veya L2 düzenlemesi gibi teknikler genellikle aşağıdakileri önlemek için uygulanır aşırı uyum, modelin iyi genelleştirilmesini sağlar yeni, görülmemiş test verileri.
• Multinomial Lojistik Regresyon: Standart sürüm ikili olsa da, bu varyasyon üç veya daha fazla kategoriye sahip sorunlar, tıpkı softmax fonksiyonları derin sinir ağlarında çalışır.
• İhtimal Oranı: Bir olayın gerçekleşme olasılığının gerçekleşmeme olasılığına bölünmesiyle elde edilir. Lojistik regresyon, bu olasılıkların doğal logaritmasını (log-odds) etkili bir şekilde modeller.

Gerçek Dünya Uygulamaları

Verimliliği ve yorumlanabilirliği nedeniyle Lojistik Regresyon çeşitli sektörlerde yaygın olarak kullanılmaktadır.

• Sağlık Hizmetleri ve Teşhis: Sağlık alanında Sağlık hizmetlerinde yapay zeka, uygulayıcılar bunu kullanıyor Bir hastanın diyabet veya kalp hastalığı gibi bir rahatsızlığa yakalanma olasılığını tahmin etmek için algoritma yaş, BMI ve kan basıncı gibi risk faktörleri. Nasıl olduğunu görün tıbbi görüntü analizi bunları tamamlar istatistiksel yöntemler.
• Finansal Risk Değerlendirmesi: Bankalar ve fintech şirketleri bu modelleri aşağıdakiler için kullanır kredi puanlaması. Bir başvuru sahibinin bilgilerini analiz ederek finansal geçmiş, model kredi temerrüdü olasılığını tahmin ederek güvenli kredi verme kararlarına yardımcı olur.
• Pazarlama ve Müşteri Kaybı Tahmini: İşletmeler başvurabilir hesaplamak için öngörücü modelleme Bir müşterinin aboneliğini iptal etme olasılığı (churn). Bu içgörü, şirketlerin elde tutma çabalarını hedeflemelerine olanak tanır etkili bir şekilde.

Uygulama Örneği

Gelişmiş olsa da derin öğrenme (DL) gibi çerçeveler Ultralytics YOLO11 gibi karmaşık görevler için tercih edilir. bilgisayar görüşü, Lojistik Regresyon hala tablo veri sınıflandırması için standart. Aşağıdaki örnekte popüler scikit-learn kütüphaneye basit bir sınıflandırıcı eğitin.

import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split

# Generate synthetic data: 100 samples, 5 features
X, y = np.random.rand(100, 5), np.random.randint(0, 2, 100)

# Split data and initialize the Logistic Regression model
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
model = LogisticRegression(solver="liblinear", random_state=42)

# Train the model and predict class labels
model.fit(X_train, y_train)
print(f"Predicted Class: {model.predict(X_test[0].reshape(1, -1))}")

Lojistik Regresyon ve Diğer Algoritmalar

Lojistik Regresyonu ilgili regresyonlardan ayırt etmek önemlidir. yapay zeka (AI) kavramları:

• Doğrusal Regresyona karşı: Temel fark çıktıda yatmaktadır. Doğrusal Regresyon sürekli bir sayısal değeri tahmin eder değerini tahmin ederken (örneğin, ev fiyatlarını tahmin etmek), Lojistik Regresyon ayrık bir kategoriyi tahmin eder (ör. ev satışı: Evet/Hayır).
• vs. Destek Vektör Makineleri (SVM): Bir SVM en geniş marjı bulmaya çalışır Sınıflar arasında, genellikle doğrusal olmayan verileri çekirdekler aracılığıyla daha iyi ele alır. Lojistik Regresyon olasılıksaldır ve gözlemlenen verilerin olasılığını en üst düzeye çıkarmaya odaklanır.
• Derin Öğrenmeye karşı (örn. YOLO11): Görüntü veya video gibi yüksek boyutlu algısal veriler için basit doğrusal sınıflandırıcılar karmaşık örüntüleri yakalamakta başarısız olur. Gibi gelişmiş modeller Ultralytics YOLO11 kullanım Evrişimsel Sinir Ağları (CNN'ler) otomatik olarak gerçekleştirmek için özellik çıkarma ve sınıflandırma, uzak gibi görevlerde lojistik regresyondan daha iyi performans gösteriyor. nesne algılama.

İstatistiksel temeller hakkında daha fazla okuma için Lojistik Regresyon hakkındaki Wikipedia girişi derin bir bilgi sunar matematiğe dalarken Scikit-learn belgeleri geliştiriciler için mükemmel pratik kaynaklar sağlar.