Логистическая регрессия

Урок 15 из 19 курса Введение в машинное обучение на Coddy.

Логистическая регрессия, несмотря на свое название, представляет собой линейную модель, используемую в первую очередь для задач классификации, а не для регрессии. Она идеально подходит для ситуаций, когда вы хотите предсказать наличие или отсутствие чего-либо, например, является ли электронное письмо спамом или нет. Логистическая регрессия хорошо работает для бинарной классификации, но может быть расширена до многоклассовой классификации с помощью различных методов.

Источник: wikipedia

По своей сути логистическая регрессия предсказывает вероятность того, что данная входная точка принадлежит к определенному классу. В отличие от линейной регрессии, которая предсказывает непрерывный результат, логистическая регрессия предсказывает бинарный результат (1/0, Да/Нет). Суть логистической регрессии заключается в логистической функции или сигмовидной функции, которая преобразует любое вещественное число в значение от 0 до 1, что делает ее подходящей для оценки вероятности.

Обучение модели логистической регрессии включает в себя поиск наилучшего набора коэффициентов для уравнения на основе обучающих данных.

Хотя она эффективна и проста для бинарной классификации, ее производительность может уступать более сложным моделям на запутанных наборах данных.

Проверьте себя

В этом уроке есть небольшой тест. Начните урок, чтобы ответить на вопросы и сохранить прогресс.

Проверьте себя

В этом уроке есть небольшой тест. Начните урок, чтобы ответить на вопросы и сохранить прогресс.

Проверьте себя

В этом уроке есть небольшой тест. Начните урок, чтобы ответить на вопросы и сохранить прогресс.

Задание

Легко

Создайте функцию с именем sigmoid, которая принимает список, представляющий точку данных, и возвращает результат функции сигмоиды. Используйте numpy для решения этой задачи.

Попробуйте сами

import numpy as np
def sigmoid(point):
    arr = np.array(point)
    # Напишите код здесь

Все уроки раздела Введение в машинное обучение

1Начало пути в ML

Введение в ML Данные для модели Что такое модель ML

4Алгоритм K-средних

Введение в K-средних Метод fit Метод predict

2Обзор машинного обучения

Обучение с учителем Обучение без учителя

5Наивный Байес

Введение в наивный байесовский классификатор Метод fit Метод predict

3Метод k ближайших соседей (KNN)

Введение в KNN Метод fit Метод predict

6Другие модели

Логистическая регрессияЛинейная регрессия Дерево решений Метод опорных векторов (SVM)Тест по моделям

Потренируйтесь самостоятельно: Онлайн-компилятор Python