Lojistik Regresyon
Coddy'nin Makine Öğrenmesine Giriş kursunda ders 15 / 19.
Lojistik regresyon, ismine rağmen, regresyon için değil, öncelikle sınıflandırma görevleri için kullanılan doğrusal bir modeldir. Bir e-postanın spam olup olmadığı gibi bir şeyin varlığını veya yokluğunu tahmin etmek istediğiniz durumlar için idealdir. Lojistik regresyon ikili sınıflandırma için iyi çalışır ancak farklı tekniklerle çok sınıflı sınıflandırmaya genişletilebilir.
Kaynak: wikipedia
Temelinde lojistik regresyon, verilen bir girdi noktasının belirli bir sınıfa ait olma olasılığını tahmin eder. Sürekli bir çıktı tahmin eden doğrusal regresyonun aksine, lojistik regresyon ikili bir sonuç (1/0, Evet/Hayır) tahmin eder. Lojistik regresyonun püf noktası, herhangi bir gerçek değerli sayıyı 0 ile 1 arasında bir değere eşleyen ve onu olasılık tahmini için uygun hale getiren lojistik fonksiyon veya sigmoid fonksiyonda yatar.
Bir lojistik regresyon modelini eğitmek, eğitim verileri verildiğinde denklem için en iyi katsayı kümesini bulmayı içerir.
İkili sınıflandırma için verimli ve basit olsa da, karmaşık veri kümeleri için performansı daha karmaşık modellerin gerisinde kalabilir.
Kendini test etBu ders kısa bir quiz içerir. Soruları yanıtlamak ve ilerlemeni kaydetmek için derse başla.
Kendini test etBu ders kısa bir quiz içerir. Soruları yanıtlamak ve ilerlemeni kaydetmek için derse başla.
Kendini test etBu ders kısa bir quiz içerir. Soruları yanıtlamak ve ilerlemeni kaydetmek için derse başla.
Görev
KolayBir veri noktasını temsil eden bir liste alan ve sigmoid fonksiyonlarının çıktısını döndüren sigmoid adında bir fonksiyon oluşturun. Bu problemi çözmek için numpy kullanın.
Kendin dene
import numpy as np
def sigmoid(point):
arr = np.array(point)
# Buraya kod yazınMakine Öğrenmesine Giriş bölümündeki tüm dersler
6Diğer Modeller
Lojistik RegresyonDoğrusal RegresyonKarar AğacıDestek Vektör Makinesi (SVM)Modeller SınavıKendi başına pratik yap: Online Python derleyicisi