많은 문제에 확률 추정치가 출력으로 필요합니다. 로지스틱 회귀는 확률을 계산하는 매우 효율적인 메커니즘입니다. 실질적으로 다음 중 하나에서 반환된 확률을 사용할 수 있습니다. 두 가지 방법:
'있는 그대로' 적용됩니다. 예를 들어 스팸 예측 모델이 이메일을
0.932
값을 입력하고 출력하는 경우 이 예측값은93.2%
스팸 메일입니다.바이너리 카테고리로 전환됨 (예:
True
,False
,Spam
,Not Spam
)
이 모듈에서는 로지스틱 회귀 모델 출력을 있는 그대로 사용하는 데 중점을 둡니다. 분류 모듈에서는 출력을 이진 카테고리로 변환합니다.
시그모이드 함수
로지스틱 회귀 모델이 로지스틱 회귀 모델의 출력과 확률을 나타내며 항상 0과 1 사이의 값을 출력합니다. 그대로 로지스틱 함수라고 하는 함수군이 있습니다. 그 출력의 특성이 동일한지 확인하세요 표준 로지스틱 함수인 일명 시그모이드 함수 (시그모이드는 's자형'을 의미), 공식:
\[f(x) = \frac{1}{1 + e^{-x}}\]
그림 1은 이에 상응하는 시그모이드 함수의 그래프를 보여줍니다.
![시그모이드 (s자형) 곡선을 데카르트 좌표 평면에 표현
원점을 중심으로 합니다.](https://developers.google.cn/static/machine-learning/crash-course/logistic-regression/images/sigmoid_function_with_axes.png?authuser=0000&hl=ko)
입력 x
가 증가하면 시그모이드 함수의 출력이 접근합니다.
1
에 도달하지 못합니다. 마찬가지로 입력이 감소하면 시그모이드가
함수의 출력이 가까워지지만 0
에 도달하지는 않습니다.
여기를 클릭하여 수학에 대해 더 자세히 알아보세요. 시그모이드 함수 이면에 있는
아래 표는 주어진 입력 시퀀스에 대한 시그모이드 함수 입력 값을 선택할 수 있습니다. 시그모이드가 얼마나 빨리 0: 음수 입력값 감소 및 시그모이드에 접근하는 속도 1: 양수 입력 값을 증가시키는 경우
그러나 입력 값이 얼마나 크거나 작든 상관없이 항상 0보다 크고 1보다 작아야 합니다.
입력 | 시그모이드 출력 |
---|---|
-7 | 0.001 |
-6 | 0.002 |
-5 | 0.007 |
-4 | 0.018 |
-3 | 0.047 |
-2 | 0.119 |
-1 | 0.269 |
0 | 0.50 |
1 | 0.731 |
2 | 0.881 |
3 | 0.952 |
4 | 0.982 |
5 | 0.993 |
6 | 0.997 |
7 | 0.999달러 |
시그모이드 함수를 사용하여 선형 출력 변환
다음 방정식은 로지스틱의 선형 구성요소를 나타냅니다. 회귀 모델:
\[z = b + w_1x_1 + w_2x_2 + \ldots + w_Nx_N\]
각 항목의 의미는 다음과 같습니다.
- z는 선형 방정식의 출력이며 로그 확률.
- b는 편향입니다.
- w 값은 모델의 학습된 가중치입니다.
- x 값은 특정 예에 대한 특성 값입니다.
로지스틱 회귀 예측을 얻기 위해 z 값이 0과 1 사이의 값 (확률)을 산출하는 시그모이드 함수입니다.
\[y' = \frac{1}{1 + e^{-z}}\]
각 항목의 의미는 다음과 같습니다.
- y'는 로지스틱 회귀 모델의 출력입니다.
- z는 (위 방정식에서 계산한) 선형 출력입니다.
여기를 클릭하여 로그 오즈
방정식에서 $z = b + w_1x_1 + w_2x_2 + \ldots + w_Nx_N$, z 로그 오즈라고 합니다. 시그모이드 함수 ($y$ 는 로지스틱의 출력) 확률을 나타내는 회귀 모델).
$$y = \frac{1}{1 + e^{-z}}$$
그런 다음 z를 풉니다.
$$ z = \log\left(\frac{y}{1-y}\right) $$
그런 다음 z는 확률의 비율 로그로 정의됩니다. y와 1 – y의 결과를 나타냅니다.
그림 2는 선형 출력이 로지스틱 회귀로 변환되는 방식을 보여줍니다. 출력됩니다.
![왼쪽: 점 (-7.5, –10), (-2.5, 0), (0, 5)가 있는 선
강조표시됩니다. 오른쪽: 변환된 시그모이드 곡선
점 (-10, 0.00004), (0, 0.5), (5, 0.9933)이 강조 표시되어 있습니다.](https://developers.google.cn/static/machine-learning/crash-course/logistic-regression/images/linear_to_logistic.png?authuser=0000&hl=ko)
그림 2에서 선형 방정식이 시그모이드 함수에 입력되면 직선을 S자 모양으로 구부리게 합니다. 선형 방정식은 매우 크거나 작은 z 값을 출력할 수 있지만 시그모이드의 출력은 함수 y'는 항상 0과 1 사이(양 끝값 제외)입니다. 예를 들어 주황색 그래프에서 직사각형의 z 값은 -10이지만 -10을 y'로 매핑하는 올바른 그래프 0.00004로 설정합니다.
연습문제: 학습 내용 점검하기
특성이 3개인 로지스틱 회귀 모델에는 다음과 같은 편향이 있으며 가중치:
\[\begin{align} b &= 1 \\ w_1 &= 2 \\ w_2 &= -1 \\ w_3 &= 5 \end{align} \]
다음과 같은 입력 값이 주어졌습니다.
\[\begin{align} x_1 &= 0 \\ x_2 &= 10 \\ x_3 &= 2 \end{align} \]
다음 두 질문에 답하세요.
위의 1번에서 계산한 대로 입력 값의 로그 오즈는 1입니다. 이 z 값을 시그모이드 함수에 연결합니다.
\(y = \frac{1}{1 + e^{-z}} = \frac{1}{1 + e^{-1}} = \frac{1}{1 + 0.367} = \frac{1}{1.367} = 0.731\)