Logistic Regression

Lojistik Regresyon, temel bir istatistiksel yöntem ve öncelikle ikili sınıflandırma görevleri için kullanılan bir makine öğrenmesi algoritmasıdır. Adında, tipik olarak sürekli değerlerin (sıcaklık veya hisse senedi fiyatları gibi) tahmin edilmesini ifade eden "regresyon" kelimesi geçmesine rağmen Lojistik Regresyon, belirli bir girdinin belirli bir kategoriye ait olma olasılığını tahmin etmek için tasarlanmıştır. Bu durum onu, bir e-postanın "istenmeyen posta" mı yoksa "istenmeyen posta değil" mi olduğunu veya tıbbi bir tümörün "iyi huylu" mu yoksa "kötü huylu" mu olduğunu belirlemek gibi sonucun ikili olduğu problemler için çok önemli bir araç haline getirir. Geleneksel istatistik ile modern denetimli öğrenme arasında bir köprü görevi görür ve sinir ağları gibi daha karmaşık modeller uygulanmadan önce genellikle temel bir ölçüt olarak kullanılan basitlik ile yorumlanabilirlik dengesi sunar.

Temel Mekanizmalar ve Olasılık#

Sürekli bir çıktı tahmin etmek için veri noktalarına düz bir çizgi uyduran Lineer Regresyon'in aksine, Lojistik Regresyon veriye "S" şeklinde bir eğri uydurur. Bu eğri, herhangi bir gerçek değerli sayıyı 0 ile 1 arasında bir değere eşleyen matematiksel bir dönüşüm olan Sigmoid fonksiyonu kullanılarak oluşturulur. Bu çıktı, bir örneğin pozitif sınıfa ait olduğundan duyulan güveni belirten bir olasılık puanını temsil eder.

Eğitim süreci sırasında algoritma, hatayı en aza indirmek için en uygun ağırlıkları ve sapmaları öğrenir. Bu genellikle, tahmin edilen olasılıklar ile gerçek sınıf etiketleri arasındaki farkı azaltmak için model parametrelerini yinelemeli olarak ayarlayan gradyan inişi gibi bir optimizasyon algoritması kullanılarak elde edilir. Performans genellikle Log Loss veya İkili Çapraz Entropi adı verilen belirli bir kayıp fonksiyonu kullanılarak değerlendirilir. Model bir olasılık ürettikten sonra, bir karar sınırı (genellikle 0.5 olarak ayarlanır) girdiyi sınıflandırır: eşik değerinin üzerindeki değerler pozitif sınıf olur ve altındaki değerler negatif sınıf olur.

İlgili Terimlerden Farkı#

Karışıklığı önlemek için Lojistik Regresyonu benzer kavramlardan ayırt etmek önemlidir:

• Lineer Regresyon ve Lojistik Regresyon: Lineer Regresyon sürekli sayısal çıktılar (ör. ev fiyatları) tahmin ederken, Lojistik Regresyon olasılıklar yoluyla kategorik sonuçlar tahmin eder.
• Sınıflandırma ve Regresyon: Makine öğrenmesinde sınıflandırma görevleri ayrık etiketlerin tahmin edilmesini içerirken, regresyon görevleri sürekli nicelikleri tahmin eder. Lojistik Regresyon, adının aksine bir sınıflandırma algoritmasıdır.
• Algılayıcı: Basit bir Algılayıcı, doğrudan ikili 0 veya 1 çıktısı vermek için bir basamak fonksiyonu kullanırken, Lojistik Regresyon bir olasılık çıktısı vermek için pürüzsüz Sigmoid fonksiyonunu kullanır ve daha fazla nüans sunar.

Gerçek Dünya Uygulamaları#

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

• Sağlık Hizmetleri ve Tıbbi Teşhis: Tıp profesyonelleri; yaş, VKI ve kan basıncı gibi faktörlere dayanarak bir hastanın diyabet veya kalp hastalığı gibi belirli bir hastalığa yakalanma olasılığını tahmin etmek için bu modelleri kullanır. Bu, erken tıbbi görüntü analizi ve karar vermeye yardımcı olur.
• Kredi Puanlaması ve Finans: Bankalar, bir müşteriye borç verme riskini değerlendirmek için Lojistik Regresyon kullanır. Kredi geçmişi ve gelir gibi özellikleri analiz ederek model, bir borçlunun krediyi temerrüda düşürme olasılığını tahmin eder ve finansal güvenlik için tahmine dayalı modellemeyi otomatikleştirir.
• Pazarlama ve Müşteri Kaybı Tahmini: Şirketler, bir kullanıcının bir hizmete abone olup olmayacağını veya bir ürünü kullanmayı bırakıp bırakmayacağını (müşteri kaybı) tahmin etmek için müşteri davranışını analiz eder. Bu içgörü, müşteri elde tutma stratejilerini geliştirmeye ve hedef pazarlama kampanyalarını etkili bir şekilde yürütmeye yardımcı olur.

Modern Uygulama#

YOLO26 gibi derin öğrenme modelleri nesne tespiti 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 bir Lojistik Regresyon sınıflandırıcısı görevi görür.

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.

Tek katmanlı bir Lojistik Regresyon model yapısını tanımlamak için torch kullanan temel bir örnek aşağıdadır:

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)

Avantajlar 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 sonuç olasılığının 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-oranları arasında doğrusal bir ilişki varsaymasıdır. Destek Vektör Makineleri (SVM) veya Rastgele Ormanlar gibi gelişmiş tekniklerin üstün gelebileceği, son derece karmaşık, doğrusal olmayan veri örüntüleriyle mücadele edebilir.
• Aşırı Uyum (Overfitting): Az sayıda eğitim örneğine sahip yüksek boyutlu veri setlerinde Lojistik Regresyon aşırı uyuma eğilimli olabilir, ancak bu durum düzenlileştirme teknikleri kullanılarak hafifletilebilir.