Логистическая регрессия - это алгоритм, который используется в качестве классификатора, то есть он определяет вероятность возникновения события, учитывая, что данные уже произошли… ..но подождите ………. это обычное дело и известно большинству людей, которые работают в области НАУКИ ДАННЫХ или МАШИННОГО ОБУЧЕНИЯ, вы можете спросить меня, что нового в этом посте ………… .ответ на ваш вопрос: я собираюсь объяснить логистическую регрессию в как интуитивно понятным, так и математическим способом, чтобы вы могли оценить функциональность и суть алгоритма.
Для новичков, которые плохо разбираются в логистической регрессии …………… .. логистическая регрессия - это алгоритм, который выводит вероятность наступления нашего предстоящего события с учетом данных о событиях, которые мы уже произошли. Этот алгоритм выполняется путем подбора сигмовидная функция на данных, которые у нас есть, и прогнозирует вероятность возникновения событий, учитывая, что данные уже произошли
Во-первых, вы спросите, зачем нужна логистическая регрессия ???
Ответ: если у вас есть событие, в котором вы должны предсказать вероятность возникновения хорошего чая с учетом таких данных, как количество используемого сахара, количество используемого чайного порошка и количество используемого молока, логистическая регрессия является одним из лучший выход. При визуализации наших данных наши данные будут выглядеть примерно так, как показано на РИСУНКЕ1. На рисунке 1 ось Y показывает нам данные о том, насколько хорош чай, который мы готовим, в сравнении с параметром (количество сахара, добавленного при заваривании чая)
Основная цель регрессии - подобрать кривую к данным таким образом, чтобы подобранная кривая могла предсказать значение или вероятность возникновения события.
Если мы попытаемся провести прямую линию на этих данных, то есть линейную регрессию, это будет выглядеть примерно так, как показано на РИСУНКЕ 2.
из кривой мы можем видеть, что для значений X ›какое-то значение значение Y больше 1, а для некоторых значений X‹ (значение точки пересечения X) значение Y ‹1, из приведенных выше данных мы можем заключить, что подгонка линейной модели для приведенных выше данных классификатора неточна, поскольку вероятность события должна лежать в диапазоне [0,1], поскольку мы определили Y как вероятность, поэтому она должна находиться в диапазоне [0,1], следовательно мы можем сделать вывод, что подгонка этого типа прямой к нашим данным - плохая идея
Итак, друзья, наше ограничение Y не должно превышать 1 или меньше 0, поэтому функция Y должна иметь Y = 0 и Y = 1 в качестве асимптодов нашей функции Y = f (X)
вы можете подумать, что график, представленный на рисунке 3, идеально подходит для наших нужд.
Ура !! наконец-то мы пришли …… ..но, друзья, это еще не конец, так как в поворотных точках функция является непрерывной, но не дифференцируемой, поэтому невозможно найти оптимум функции (при выяснении параметров, которые определяют точную форму кривой), поэтому мы должны сделать углы гладкими, чтобы функция была как непрерывной, так и дифференцируемой, и есть еще одна проблема с графиком, как на рисунке 3, вероятность возникновения этого события внезапно уменьшается до нуля, но при наблюдении по данным вероятность постепенно уменьшается и скорость изменения вероятности уменьшается по мере того, как мы движемся влево от центра графика, и для следующей половины графика вероятность постепенно увеличивается до единицы, но не внезапно, она должна постепенно увеличиваться, чтобы мы могли видеть, что существует потребность в гладком графике для которого первая производная увеличивается в первой половине и уменьшается во второй половине
Итак, из приведенного выше обсуждения мы можем сделать вывод, что существует потребность в S-образной функции, которая имеет асимптоды при Y = 0 и Y = 1.
Вы можете спросить меня, что «Вы сказали нам только о функции в форме буквы« s », но почему вы сочли эту функцию, показанную на рисунке 4»
(or)
вы можете спросить меня почему сигмовидная !!!!!!!!!!!!!!!!!!!!!!!!!!!!!! не другие функции ???
Ответ на поставленный выше вопрос - в моей следующей истории… Следите за обновлениями
