Begrebet logistisk regression

Begrebet logistisk regression

Logistisk regression er en algoritme inden for superviseret læring, som bruges til klassifikationsproblemer. I modsætning til lineær regression forudsiger den et kategorisk resultat (f.eks. ja/nej eller sandt/falsk).

Den bruges bredt inden for områder som økonomi, sundhedsvæsen og marketing.

Logistisk regression bruger sigmoidfunktionen til at omdanne et lineært output til en sandsynlighedsværdi mellem 0 og 1. Denne sandsynlighed bestemmer klassens etiket.

Formlen for sigmoidfunktionen er:

σ(z) = 1 / (1 + e^(-z))

Her er z den lineære ligning (mx + b). Sigmoidfunktionen afbilder z til et interval fra 0 til 1.

Logistisk regression bruges ofte til:

• Spamregistrering: Klassificering af e-mails som spam eller ikke-spam.
• Sundhedsvæsen: Forudsigelse af sandsynligheden for en sygdom.
• Marketing: Kundesegmentering baseret på købsadfærd.

Logistisk regression kan opdeles i tre typer:

• Binær logistisk regression: To mulige udfald (f.eks. ja/nej).
• Multinomial logistisk regression: Mere end to kategorier (f.eks. rød/blå/grøn).
• Ordinal logistisk regression: Ord­nede kategorier (f.eks. lav/mellem/høj).

Logistisk regression har flere fordele:

• Den er nem at implementere og fortolke.
• Den fungerer godt til binære og enkle klassifikationsopgaver.
• Den leverer sandsynlighedsbaserede resultater, som er nyttige ved beslutningstagning.

Nogle af logistisk regressions begrænsninger er:

• Den antager en lineær sammenhæng mellem variable (via log-odds).
• Den fungerer muligvis ikke godt med komplekse eller stærkt ikke-lineære datasæt.
• Den kan være følsom over for outliers.

De vigtigste forskelle er:

• Lineær regression: Forudsiger kontinuerte værdier.
• Logistisk regression: Forudsiger kategoriske udfald.
• Output: Logistisk regression returnerer sandsynligheder (fra 0 til 1), mens lineær regression returnerer reelle tal.

I denne lektion gennemgik vi:

• Begrebet logistisk regression og hvordan den fungerer.
• Sigmoidfunktionen og dens rolle i klassifikation.
• Anvendelser, fordele og begrænsninger ved logistisk regression.

Dernæst implementerer vi logistisk regression i Python for at løse klassifikationsproblemer.