Thay vì dự đoán chính xác 0 hoặc 1, sự hồi quy logistic sẽ tạo ra một xác suất — một giá trị giữa 0 và 1, độc quyền. Ví dụ: hãy xem xét một
mô hình hồi quy hậu cần để phát hiện nội dung rác. Nếu mô hình dự đoán một giá trị 0,932 trên một email cụ thể, thì xác suất email đó là 93,2%. Nói chính xác hơn, điều đó có nghĩa là trong giới hạn các ví dụ về đào tạo vô hạn, tập hợp các ví dụ mà mô hình dự đoán 0,932 thực sự sẽ là spam 93,2% thời gian và 6,8% còn lại thì không.
Hồi quy logic
Dự đoán hiệu ứng tiền xu?
Hãy tưởng tượng bài toán dự đoán xác suất Đầu của tiền xu cong
Bạn có thể sử dụng các tính năng như góc uốn cong, khối lượng tiền xu, v.v.
Mô hình đơn giản nhất mà bạn có thể sử dụng là gì?
Có điều gì là không đúng?
Hồi quy logic
Nhiều vấn đề yêu cầu ước tính xác suất dưới dạng đầu ra
Nhập hồi quy hồi quy
Hồi quy logic
Nhiều vấn đề yêu cầu ước tính xác suất dưới dạng đầu ra
Nhập hồi quy hồi quy
hữu ích vì các ước tính xác suất được điều chỉnh
ví dụ: p(nhà sẽ bán) * giá = kết quả dự kiến
Hồi quy logic
Nhiều vấn đề yêu cầu ước tính xác suất dưới dạng đầu ra
Nhập hồi quy hồi quy
hữu ích vì các ước tính xác suất được điều chỉnh
ví dụ: p(nhà sẽ bán) * giá = kết quả dự kiến
Cũng hữu ích khi chúng tôi cần phân loại nhị phân
spam hay không phải spam? → p(Nội dung vi phạm)
Hồi quy logistic -- Dự đoán
$$ y' = \frac{1}{1 + e^{-(w^Tx+b)}} $$
\(\text{Where:} \)
\(x\text{: Provides the familiar linear model}\)
\(1+e^{-(...)}\text{: Squish through a sigmoid}\)