Вместо точного предсказания 0 или 1 логистическая регрессия генерирует вероятность — значение от 0 до 1, исключая. Например, рассмотрим модель логистической регрессии для обнаружения спама. Если модель выводит значение 0,932 для конкретного сообщения электронной почты, это означает, что вероятность того, что сообщение электронной почты является спамом, составляет 93,2%. Точнее, это означает, что в пределе бесконечных обучающих примеров набор примеров, для которых модель предсказывает 0,932, на самом деле будет спамом в 93,2% случаев, а остальные 6,8% — нет.
Логистическая регрессия
Прогнозирование подбрасывания монет?
Представьте себе задачу предсказания вероятности выпадения орла для погнутых монет.
Вы можете использовать такие функции, как угол изгиба, масса монеты и т. д.
Какую самую простую модель вы могли бы использовать?
Что может пойти не так?
Логистическая регрессия
Многие задачи требуют оценки вероятности на выходе.
Введите логистическую регрессию
Логистическая регрессия
Многие задачи требуют оценки вероятности на выходе.
Введите логистическую регрессию
Удобно, потому что оценки вероятности откалиброваны
например, p(дом будет продан) * цена = ожидаемый результат
Логистическая регрессия
Многие задачи требуют оценки вероятности на выходе.
Введите логистическую регрессию
Удобно, потому что оценки вероятности откалиброваны
например, p(дом будет продан) * цена = ожидаемый результат
Также полезно, когда нам нужна бинарная классификация
спам или не спам? → p(Спам)
Логистическая регрессия — прогнозы
$$ y' = \frac{1}{1 + e^{-(w^Tx+b)}} $$
\(\text{Where:} \)\(x\text{: Provides the familiar linear model}\)\(1+e^{-(...)}\text{: Squish through a sigmoid}\)