Zamiast przewidywania dokładnie 0 lub 1, regresja logistyczna generuje prawdopodobieństwo – o wartości między 0 a 1 (wyłącznie). Rozważ na przykład model regresji logistycznej do wykrywania spamu. Jeśli model przyjmuje wartość 0,932 w przypadku określonego e-maila, oznacza to, że prawdopodobieństwo 93,2% wskazuje, że e-mail jest spamem. Mówiąc dokładniej, oznacza to, że w ramach limitu nieskończonych przykładów treningowych model, który przewiduje, że model będzie mieć wartość 0,932, będzie w 93,2% przypadków, a pozostałe 6,8% nie.
Regresja logistyczna
Przewidywanie monet?
Wyobraź sobie problem przewidywania prawdopodobieństwa głowicy do wygiętych monet
Możesz użyć takich funkcji jak kąt wyginięcia, masa monet itp.
Jakiego prostego modelu możesz użyć?
Co może pójść nie tak?
Regresja logistyczna
Wiele problemów wymaga podania wartości szacunkowej jako danych wyjściowych
Wpisz regresję logiczną.
Regresja logistyczna
Wiele problemów wymaga podania wartości szacunkowej jako danych wyjściowych
Wpisz regresję logiczną.
Przydatne, ponieważ szacunkowe prawdopodobieństwo jest skalibrowane
np. p(domowa sprzedaż) * cena = oczekiwany wynik
Regresja logistyczna
Wiele problemów wymaga podania wartości szacunkowej jako danych wyjściowych
Wpisz regresję logiczną.
Przydatne, ponieważ szacunkowe prawdopodobieństwo jest skalibrowane
np. p(domowa sprzedaż) * cena = oczekiwany wynik
Przydaje się też, gdy klasyfikacja binarna jest potrzebna.
czy nie spam? → p(Spam)
Regresja logistyczna – prognozy
$$ y' = \frac{1}{1 + e^{-(w^Tx+b)}} $$
\(\text{Where:} \)
\(x\text{: Provides the familiar linear model}\)
\(1+e^{-(...)}\text{: Squish through a sigmoid}\)