Logistic Regression

Lojistik Regresyon, temel olarak ikili sınıflandırma görevlerinde kullanılan temel bir istatistiksel yöntem ve makine öğrenimi algoritmasıdır. Adında genellikle sürekli değerleri (sıcaklık veya hisse senedi fiyatları gibi) tahmin etmeyi ifade eden "regresyon" kelimesi geçmesine rağmen Lojistik Regresyon, belirli bir girdinin belirli bir kategoriye ait olma olasılığını tahmin etmek üzere tasarlanmıştır. Bu özelliği, bir e-postanın "spam" veya "spam değil" ya da tıbbi bir tümörün "iyi huylu" veya "kötü huylu" olup olmadığını belirlemek gibi sonucun iki seçenekli olduğu problemler için onu kritik bir araç hâline getirir. Geleneksel istatistik ile modern denetimli öğrenme arasında bir köprü görevi görür ve daha karmaşık sinir ağları gibi modeller uygulanmadan önce genellikle temel model olarak kullanılan basitlik ve yorumlanabilirlik dengesi sunar.

Temel Mekanizmalar ve Olasılık#

Sürekli bir çıktıyı tahmin etmek için veri noktalarına düz bir çizgi uyduran Doğrusal Regresyonun aksine Lojistik Regresyon, verilere "S" şeklinde bir eğri uydurur. Bu eğri, herhangi bir gerçek değerli sayıyı 0 ile 1 arasındaki bir değere dönüştüren matematiksel bir dönüşüm olan Sigmoid fonksiyonu kullanılarak oluşturulur. Bu çıktı, bir örneğin pozitif sınıfa ait olduğuna ilişkin güveni gösteren bir olasılık puanını temsil eder.

Eğitim sürecinde algoritma, hatayı en aza indirmek için en uygun ağırlıkları ve bias değerlerini öğrenir. Bu genellikle, tahmin edilen olasılıklar ile gerçek sınıf etiketleri arasındaki farkı azaltmak üzere model parametrelerini yinelemeli olarak ayarlayan gradyan inişi gibi bir optimizasyon algoritması kullanılarak gerçekleştirilir. Performans genellikle Log Loss veya Binary Cross-Entropy adı verilen belirli bir kayıp fonksiyonu kullanılarak değerlendirilir. Model bir olasılık çıktısı verdikten sonra karar sınırı (genellikle 0,5 olarak belirlenir) girdiyi sınıflandırır: eşik değerinin üzerindeki değerler pozitif sınıf, altındaki değerler ise negatif sınıf olur.

İlişkili Terimlerden Ayrımı#

Karışıklığı önlemek için Lojistik Regresyonu benzer kavramlardan ayırt etmek önemlidir:

• Doğrusal Regresyon ve Lojistik Regresyon: Doğrusal Regresyon sürekli sayısal çıktıları (örneğin ev fiyatlarını) tahmin ederken Lojistik Regresyon kategorik sonuçları olasılıklar aracılığıyla tahmin eder.
• Sınıflandırma ve Regresyon: Makine öğreniminde sınıflandırma görevleri ayrık etiketleri, regresyon görevleri ise sürekli nicelikleri tahmin etmeyi içerir. Lojistik Regresyon, adına rağmen bir sınıflandırma algoritmasıdır.
• Perceptron: Basit bir Perceptron, ikili 0 veya 1 çıktısını doğrudan vermek için basamak fonksiyonu kullanırken Lojistik Regresyon, bir olasılık çıktısı vermek için daha yumuşak olan Sigmoid fonksiyonunu kullanır ve daha ayrıntılı sonuçlar sunar.

Gerçek Dünya Uygulamaları#

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

• Sağlık ve Tıbbi Teşhis: Tıp uzmanları bu modelleri; yaş, BMI ve kan basıncı gibi etkenlere dayanarak bir hastanın diyabet veya kalp hastalığı gibi belirli bir hastalığa yakalanma olasılığını tahmin etmek için kullanır. Bu, erken tıbbi görüntü analizine ve karar vermeye yardımcı olur.
• Kredi Skorlama ve Finans: Bankalar, bir müşteriye kredi vermenin riskini değerlendirmek için Lojistik Regresyon kullanır. Model, kredi geçmişi ve gelir gibi özellikleri analiz ederek bir borçlunun kredi ödemesinde temerrüde düşme 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 davranışlarını analiz eder. Bu içgörü, müşteri elde tutma stratejilerini geliştirmeye ve pazarlama kampanyalarını etkili biçimde hedeflemeye yardımcı olur.

Modern Uygulama#

YOLO26 gibi derin öğrenme modelleri nesne algılama gibi karmaşık görevler için tercih edilirken Lojistik Regresyon, ikili görüntü sınıflandırma ağlarında genellikle son katman olarak kullanılır. Örneğin bir evrişimli sinir ağı özellikleri çıkarabilir ve son katman, bir görüntünün "kedi" mi yoksa "köpek" mi içerdiğini belirlemek için Lojistik Regresyon sınıflandırıcısı olarak görev yapabilir.

Ultralytics Platform gibi araçlar, bu temel ilkelerden yararlanan karmaşık sınıflandırma modellerini eğitme iş akışını basitleştirir. Ancak temel kavramı anlamak için basit kütüphaneler mekanizmaları gösterebilir.

Tek katmanlı bir Lojistik Regresyon modeli yapısını tanımlamak için torch kullanan temel bir örnek aşağıda verilmiştir:

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 seçmeye yardımcı olur.

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