機械学習におけるロジスティック回帰の応用

ロジスティック回帰は、ターゲット変数の尤度を推定する分類のための教師あり学習手法です。これは、バイナリ カテゴリを持つターゲット変数に対して機能します。1 は成功またははいを表し、0 は失敗またはいいえを表します。したがって、ロジスティック回帰では、ロジスティック関数を構築することによってターゲット変数の確率を予測します。簡単に言えば、ロジスティック回帰は、分類問題のためにバイナリ データを 0 と 1 の確率的表現にマッピングします。

ロジスティック回帰モデルは、P(Y=1) を X の関数として数学的に予測します。これは最も基本的な ML 手法の 1 つであり、さまざまな分類問題の解決に使用できます。

ロジスティック回帰は、通常、バイナリ ターゲット変数を使用する状況を処理するために使用されますが、他のタイプのターゲット変数にも同様に適用できます。カテゴリの数に応じて、ロジスティック回帰はいくつかのカテゴリに分類できます。

二項または二値は、従属変数が 2 つの潜在的な値 (1 または 0) のみを持つ分類形式です。これらの変数は、成功または失敗、はいまたはいいえなどを表すことができます。

多項式: このタイプの分類の従属変数には、「クラス A」、「クラス B」、または「クラス C」など、順序のないカテゴリが 3 つ以上含まれることがあります。これらのカテゴリには定量的な意味はなく、異なるカテゴリを区別するためにのみ使用されます。

順序: この分類では、従属変数には、量的に重要な順序付けされたカテゴリまたはタイプが 3 つ以上ある可能性があります。たとえば、これらの変数は、スコアが 0 から 2 の範囲で、「悪い」または「良い」、「非常に良い」または「優れた」を意味する場合があります。

機械学習におけるロジスティック回帰の仮定

ロジスティック回帰について詳しく説明する前に、次の関連する仮定を理解する必要があります。

• #バイナリ ロジスティック回帰のターゲット変数は常にバイナリであり、期待される結果は因子レベル 1 で表される必要があります。
• モデルには多重共線性があってはなりません。これは、独立変数が互いに独立している必要があることを示します。
• モデルには関連する変数が含まれている必要があります。

以上が機械学習におけるロジスティック回帰の応用の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。