Logistic Regression

Lojistik Regresyon, temel olarak ikili sınıflandırma görevleri için kullanılan temel bir istatistiksel yöntem ve makine öğrenimi algoritmasıdır. Adında genellikle sürekli değerleri (sıcaklık veya hisse senedi fiyatları gibi) tahmin etmeyi ifade eden "regresyon" geçmesine rağmen, Lojistik Regresyon verilen bir girdinin belirli bir kategoriye ait olma olasılığını tahmin etmek için tasarlanmıştır. Bu durum, sonucun ikili olduğu durumlar için onu kritik bir araç haline getirir; örneğin bir e-postanın "spam" olup olmadığını veya tıbbi bir tümörün "iyi huylu" mu yoksa "kötü huylu" mu olduğunu belirlemek gibi. Geleneksel istatistikler ile modern denetimli öğrenme arasında bir köprü görevi görür ve genellikle sinir ağları gibi daha karmaşık modelleri uygulamadan önce bir temel olarak kullanılan basitlik ve yorumlanabilirlik dengesi sunar.

Link to this sectionTemel Mekanizmalar ve Olasılık#

Sürekli bir çıktı tahmin etmek için veri noktalarına düz bir çizgi uyduran Lineer Regresyon aksine, Lojistik Regresyon veriye "S" şeklinde bir eğri uydurur. Bu eğri, herhangi bir gerçel sayıyı 0 ile 1 arasında bir değere eşleyen matematiksel bir dönüşüm olan Sigmoid fonksiyonu kullanılarak oluşturulur. Bu çıktı, bir örneğin pozitif sınıfa ait olduğuna dair güveni gösteren bir olasılık skorunu temsil eder.

During the training process, the algorithm learns optimal weights and biases to minimize error. This is typically achieved using an optimization algorithm such as gradient descent, which iteratively adjusts the model parameters to reduce the difference between the predicted probabilities and the actual class labels. The performance is often evaluated using a specific loss function called Log Loss or Binary Cross-Entropy. Once the model outputs a probability, a decision boundary (often set at 0.5) classifies the input: values above the threshold become the positive class, and values below become the negative class.

Link to this sectionİlgili Terimlerden Farkı#

Karışıklığı önlemek için Lojistik Regresyonu benzer kavramlardan ayırt etmek önemlidir:

• Lineer Regresyon ve Lojistik Regresyon: Lineer Regresyon sürekli sayısal çıktılar (örneğin ev fiyatları) tahmin ederken, Lojistik Regresyon olasılıklar aracılığıyla kategorik sonuçları tahmin eder.
• Sınıflandırma ve Regresyon: Makine öğreniminde sınıflandırma görevleri ayrık etiketlerin tahmin edilmesini içerirken, regresyon görevleri sürekli nicelikleri tahmin eder. Lojistik Regresyon, adına rağmen bir sınıflandırma algoritmasıdır.
• Perceptron: Basit bir Perceptron, doğrudan ikili bir 0 veya 1 çıktısı üretmek için basamak fonksiyonu kullanır; oysa Lojistik Regresyon, daha fazla nüans sunarak bir olasılık çıktısı vermek için pürüzsüz Sigmoid fonksiyonunu kullanır.

Link to this sectionGerçek Dünya Uygulamaları#

Lojistik Regresyon, verimliliği ve sonuçlarının kolayca yorumlanabilmesi nedeniyle çeşitli sektörlerde yaygın olarak kullanılmaya devam etmektedir.

• Sağlık ve Tıbbi Teşhis: Tıp uzmanları, yaş, VKİ ve kan basıncı gibi faktörlere dayanarak hastanın diyabet veya kalp hastalığı gibi belirli bir hastalığa yakalanma olasılığını tahmin etmek için bu modelleri kullanır. Bu, erken tıbbi görüntü analizi ve karar verme sürecine yardımcı olur.
• Kredi Puanlama ve Finans: Bankalar, bir müşteriye borç vermenin riskini değerlendirmek için Lojistik Regresyonu kullanır. Kredi geçmişi ve gelir gibi özellikleri analiz ederek model, bir borçlunun kredi temerrüdüne düşme olasılığını tahmin eder ve finansal güvenlik için tahminleyici modellemeyi otomatikleştirir.
• Pazarlama ve Müşteri Kaybı Tahmini: Şirketler, bir kullanıcının bir hizmete abone olup olmayacağını veya bir ürünü kullanmayı bırakıp bırakmayacağını (churn) tahmin etmek için müşteri davranışlarını analiz eder. Bu içgörü, müşteri tutma stratejilerini iyileştirmeye ve pazarlama kampanyalarını etkili bir şekilde hedeflemeye yardımcı olur.

Link to this sectionModern Uygulama#

YOLO26 gibi derin öğrenme modelleri nesne algılama gibi karmaşık görevler için tercih edilse de, Lojistik Regresyon genellikle ikili görüntü sınıflandırma ağlarındaki son katmandır. Örneğin, evrişimli bir sinir ağı özellikleri çıkarabilir ve son katman bir görüntünün "kedi" mi yoksa "köpek" mi içerdiğini belirlemek için Lojistik Regresyon sınıflandırıcısı olarak hareket eder.

Ultralytics Platform gibi araçlar, bu temel ilkeleri kullanan karmaşık sınıflandırma modellerini eğitmek için iş akışını basitleştirir. Ancak ham kavramı anlamak için basit kütüphaneler mekanikleri gösterebilir.

İşte tek katmanlı bir Lojistik Regresyon modeli yapısını tanımlamak için torch kullanan temel bir örnek:

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 sectionAvantajlar ve Sınırlamalar#

Bu algoritmanın güçlü ve zayıf yönlerini anlamak, iş için doğru aracı seçmenize yardımcı olur.

• Yorumlanabilirlik: Model katsayıları (ağırlıklar), girdi özellikleri ile hedef değişken arasındaki ilişkiyi doğrudan gösterir. Pozitif bir ağırlık, özellik arttıkça pozitif sonucun olasılığının da arttığı anlamına gelir. Bu şeffaflık, Yapay Zeka etiği ve kararların paydaşlara açıklanması için hayati önem taşır.
• Verimlilik: Karmaşık Derin Öğrenme mimarilerine kıyasla daha az hesaplama gücü gerektirir, bu da onu düşük gecikme gereksinimleri veya sınırlı donanıma sahip uygulamalar için uygun hale getirir.
• Veri Doğrusallığı: Temel bir kısıtlama, girdi değişkenleri ile sonucun log-odds değeri arasında doğrusal bir ilişki olduğunu varsaymasıdır. Destek Vektör Makineleri (SVM) veya Rastgele Ormanlar gibi gelişmiş tekniklerin başarılı olabileceği oldukça karmaşık, doğrusal olmayan veri modelleriyle zorlanabilir.
• Aşırı Öğrenme (Overfitting): Az sayıda eğitim örneği içeren yüksek boyutlu veri setlerinde, Lojistik Regresyon aşırı öğrenmeye meyilli olabilir, ancak bu durum düzenlileştirme teknikleri kullanılarak azaltılabilir.