به جای پیش بینی دقیق 0 یا 1، رگرسیون لجستیک یک احتمال ایجاد می کند - مقداری بین 0 و 1، منحصر به فرد. به عنوان مثال، یک مدل رگرسیون لجستیک برای تشخیص هرزنامه در نظر بگیرید. اگر مدل مقدار 0.932 را در یک پیام ایمیل خاص استنباط کند، به احتمال 93.2٪ نشان می دهد که پیام ایمیل هرزنامه است. به طور دقیق تر، به این معنی است که در حد بی نهایت مثال های آموزشی، مجموعه نمونه هایی که مدل برای آنها 0.932 پیش بینی می کند، در واقع در 93.2٪ مواقع اسپم خواهد بود و 6.8٪ باقیمانده نخواهد بود.
رگرسیون لجستیک
پیش بینی ورق سکه؟
مشکل پیش بینی احتمال سر برای سکه های خم شده را تصور کنید
ممکن است از ویژگی هایی مانند زاویه خم، جرم سکه و غیره استفاده کنید.
ساده ترین مدلی که می توانید استفاده کنید چیست؟
چه چیزی می تواند اشتباه باشد؟
رگرسیون لجستیک
بسیاری از مسائل نیاز به برآورد احتمال به عنوان خروجی دارند
رگرسیون لجستیک را وارد کنید
رگرسیون لجستیک
بسیاری از مسائل نیاز به برآورد احتمال به عنوان خروجی دارند
رگرسیون لجستیک را وارد کنید
مفید است زیرا تخمین های احتمال کالیبره شده اند
به عنوان مثال، p (خانه به فروش خواهد رسید) * قیمت = نتیجه مورد انتظار
رگرسیون لجستیک
بسیاری از مسائل نیاز به برآورد احتمال به عنوان خروجی دارند
رگرسیون لجستیک را وارد کنید
مفید است زیرا تخمین های احتمال کالیبره شده اند
به عنوان مثال، p (خانه به فروش خواهد رسید) * قیمت = نتیجه مورد انتظار
همچنین برای زمانی که به طبقه بندی باینری نیاز داریم مفید است
هرزنامه یا اسپم نیست؟ → p (هرزنامه)
رگرسیون لجستیک -- پیش بینی ها
$$ y' = \frac{1}{1 + e^{-(w^Tx+b)}} $$
\(\text{Where:} \)\(x\text{: Provides the familiar linear model}\)\(1+e^{-(...)}\text{: Squish through a sigmoid}\)