Regressione logistica

Lezione 15 di 19 del corso Introduzione all’apprendimento automatico di Coddy.

La regressione logistica, nonostante il nome, è un modello lineare utilizzato principalmente per attività di classificazione, non di regressione. È ideale nelle situazioni in cui si vuole prevedere la presenza o l’assenza di qualcosa, ad esempio se un’e-mail è spam oppure no. La regressione logistica funziona bene per la classificazione binaria, ma può essere estesa alla classificazione multiclasse tramite diverse tecniche.

Fonte: Wikipedia

In sostanza, la regressione logistica prevede la probabilità che un determinato punto di input appartenga a una certa classe. A differenza della regressione lineare, che prevede un output continuo, la regressione logistica prevede un esito binario (1/0, Sì/No). Il fulcro della regressione logistica è la funzione logistica, o funzione sigmoide, che mappa qualsiasi numero reale in un valore compreso tra 0 e 1, rendendola adatta alla stima delle probabilità.

Per adattare un modello di regressione logistica, si trova l’insieme di coefficienti migliore per l’equazione, dati i dati di addestramento.

Sebbene sia efficiente e semplice per la classificazione binaria, le sue prestazioni potrebbero essere inferiori a quelle di modelli più complessi con insiemi di dati articolati.

Mettiti alla prova

Questa lezione include un breve quiz. Inizia la lezione per rispondere e tenere traccia dei tuoi progressi.

Mettiti alla prova

Questa lezione include un breve quiz. Inizia la lezione per rispondere e tenere traccia dei tuoi progressi.

Mettiti alla prova

Questa lezione include un breve quiz. Inizia la lezione per rispondere e tenere traccia dei tuoi progressi.

Sfida

Facile

Crea una funzione chiamata sigmoid che accetta una lista che rappresenta un punto dati e restituisce l'output delle funzioni sigmoidi. Usa numpy per risolvere questo problema.

Provalo tu

import numpy as np
def sigmoid(point):
    arr = np.array(point)
    # Scrivi il codice qui

Tutte le lezioni di Introduzione all’apprendimento automatico

1L'inizio del percorso nel ML

Introduzione al ML Dati da fornire a un modello Cos'è un modello di ML

4Algoritmo K-Means

Introduzione a K-Means metodo fit metodo predict

2Panoramica sull’apprendimento automatico

Apprendimento supervisionato Apprendimento non supervisionato

5Naive Bayes

Introduzione a Naive Bayes Metodo fit Metodo predict

3K-Nearest-Neighbors (KNN)

Introduzione a KNN metodo fit metodo predict

6Altri modelli

Regressione logisticaRegressione lineare Albero decisionale Macchina a vettori di supporto (SVM)Quiz sui modelli

Esercitati da solo: Compilatore Python online