Burda da görüldüğü gibi görseldeki bütün bu fonksiyonlar sınıflandırma için bir tahmin sunuyor. Mor fonksiyon ise daha iyi bir 0-1 sınıflandırması yapar. Ama outlier değerlere dikkat etmek gereklidir.
Lojistik regresyon, istatistiksel analiz ve makine öğrenmesinde kullanılan bir sınıflandırma yöntemidir. Adından da anlaşılacağı gibi, lojistik regresyon bir regresyon analizi türüdür ancak çıktısı sürekli(sayısal) bir değer değil, belirli sınıflara ait olma olasılığıdır.
Lojistik regresyon genellikle ikili (binary) sınıflandırma problemlerinde kullanılır. Yani çıktı genellikle 0 veya 1'dir. Örneğin, bir e-postanın spam olup olmadığını tahmin etmek, bir kredi başvurusunun onaylanıp onaylanmayacağını tahmin etmek veya bir hastanın belirli bir hastalığa sahip olup olmadığını tahmin etmek gibi durumlar lojistik regresyon ile modellenebilir.
Lojistik regresyon, bağımsız değişkenlerin bir logit fonksiyonu (doğal logaritmanın odds oranı) ile bağımlı değişken arasındaki ilişkiyi modellemeye çalışır. Bu nedenle, lojistik regresyon çıktısı her zaman 0 ile 1 arasında bir değerdir ve bu değer genellikle bir olayın olasılığı olarak yorumlanır.
Lojistik regresyonun avantajlarından biri, bağımsız değişkenler arasındaki karmaşık ilişkileri modelleyebilmesi ve ayrıca etkileşim terimlerini (bağımsız değişkenlerin çarpımları) ve kuvvet terimlerini (bağımsız değişkenlerin kareleri, küpleri vb.) kolayca dahil edebilmesidir. Ayrıca, lojistik regresyon çıktılarının olasılık olarak yorumlanabilmesi, modelin sonuçlarını anlamayı ve yorumlamayı kolaylaştırır.
Top comments (0)