पूरी तरह से 0 या 1 का अनुमान लगाने के बजाय, लॉजिस्टिक रिग्रेशनकी संभावना होती है—खास, 0 और 1-1 उदाहरण के लिए, स्पैम का पता लगाने के लिए, लॉजिस्टिक रिग्रेशन मॉडल पर विचार करें. अगर मॉडल को किसी खास ईमेल मैसेज के बारे में 0.932
मान मिलता है, तो इस बात की 93.2% संभावना है कि
ईमेल मैसेज स्पैम है. ज़्यादा सटीक बात यह है कि असीमित ट्रेनिंग उदाहरणों की सीमा में, उदाहरणों के ऐसे सेट के लिए, जिनका मॉडल मॉडल 0.932 का अनुमान लगाता है, वे वाकई 93.2% समय के लिए होंगे और बाकी 6.8%.
लॉजिस्टिक रिग्रेशन
क्या आपको सिक्का उछालने का अनुमान है?
मुड़े हुए सिक्कों के लिए संभावना का अनुमान लगाने की समस्या का अनुमान लगाएं
आप मोड़ने के लिए कोण, सिक्का द्रव्यमान वगैरह जैसी सुविधाओं का इस्तेमाल कर सकते हैं.
आपके हिसाब से, सबसे आसान मॉडल कौनसा हो सकता है?
भला, क्या गलत हो सकता है?
लॉजिस्टिक रिग्रेशन
कई समस्याओं के लिए आउटपुट के रूप में संभावना का अनुमान लगाना ज़रूरी है
लॉजिस्टिक रिग्रेशन डालें
लॉजिस्टिक रिग्रेशन
कई समस्याओं के लिए आउटपुट के रूप में संभावना का अनुमान लगाना ज़रूरी है
लॉजिस्टिक रिग्रेशन डालें
आसान, क्योंकि संभावना के अनुमान कैलिब्रेट किए गए हैं
उदाहरण के लिए, p(घर) बिक्री होगी * कीमत = अनुमानित नतीजा
लॉजिस्टिक रिग्रेशन
कई समस्याओं के लिए आउटपुट के रूप में संभावना का अनुमान लगाना ज़रूरी है
लॉजिस्टिक रिग्रेशन डालें
आसान, क्योंकि संभावना के अनुमान कैलिब्रेट किए गए हैं
उदाहरण के लिए, p(घर) बिक्री होगी * कीमत = अनुमानित नतीजा
बाइनरी क्लासिफ़िकेशन की ज़रूरत पड़ने पर भी काम करता है
स्पैम है या नहीं? → p(स्पैम)
लॉजिस्टिक रिग्रेशन -- अनुमान
$$ y' = \frac{1}{1 + e^{-(w^Tx+b)}} $$
\(\text{Where:} \)
\(x\text{: Provides the familiar linear model}\)
\(1+e^{-(...)}\text{: Squish through a sigmoid}\)