Logistische Regression

Die logistische Regression ist trotz ihres Namens ein lineares Modell, das primär für Klassifizierungsaufgaben und nicht für die Regression verwendet wird. Sie ist ideal für Situationen, in denen Sie das Vorhandensein oder Fehlen von etwas vorhersagen möchten, wie zum Beispiel, ob eine E-Mail Spam ist oder nicht. Die logistische Regression eignet sich gut für die binäre Klassifizierung, kann aber durch verschiedene Techniken auf die Multiklassen-Klassifizierung erweitert werden.

Quelle: wikipedia

Im Kern sagt die logistische Regression die Wahrscheinlichkeit voraus, dass ein bestimmter Eingabepunkt zu einer bestimmten Klasse gehört. Im Gegensatz zur linearen Regression, die einen kontinuierlichen Output vorhersagt, prognostiziert die logistische Regression ein binäres Ergebnis (1/0, Ja/Nein). Der Kernpunkt der logistischen Regression liegt in der Logistikfunktion oder Sigmoidfunktion, die jede reellwertige Zahl in einen Wert zwischen 0 und 1 abbildet, was sie für die Wahrscheinlichkeitsschätzung geeignet macht.

Das Anpassen eines logistischen Regressionsmodells beinhaltet das Finden des besten Satzes von Koeffizienten für die Gleichung basierend auf den Trainingsdaten.

Obwohl sie effizient und unkompliziert für die binäre Klassifizierung ist, kann ihre Leistung bei komplexen Datensätzen hinter komplexeren Modellen zurückbleiben.