Konsep Regresi Logistik

Konsep Regresi Logistik

Regresi logistik adalah algoritma pembelajaran terawasi yang digunakan untuk masalah klasifikasi. Berbeda dari LinearRegression, regresi logistik memprediksi hasil kategoris (misalnya, ya/tidak atau benar/salah).

Regresi logistik banyak digunakan dalam bidang seperti keuangan, layanan kesehatan, dan pemasaran.

Regresi logistik menggunakan fungsi sigmoid untuk mengubah keluaran linear menjadi nilai probabilitas antara 0 dan 1. Probabilitas ini menentukan label kelas.

Rumus fungsi sigmoid adalah:

σ(z) = 1 / (1 + e^(-z))

Di sini, z adalah persamaan linear (mx + b). Fungsi sigmoid memetakan z ke rentang 0 hingga 1.

Regresi logistik umumnya digunakan untuk:

• Deteksi Spam: Mengklasifikasikan surel sebagai spam atau bukan.
• Layanan kesehatan: Memprediksi kemungkinan terjadinya suatu penyakit.
• Pemasaran: Mengelompokkan pelanggan berdasarkan perilaku pembelian.

Regresi logistik dapat diklasifikasikan menjadi tiga jenis:

• Regresi Logistik Biner: Dua hasil yang mungkin (misalnya, ya/tidak).
• Regresi Logistik Multinomial: Lebih dari dua kategori (misalnya, merah/biru/hijau).
• Regresi Logistik Ordinal: Kategori yang berurutan (misalnya, rendah/sedang/tinggi).

Regresi logistik memiliki beberapa manfaat:

• Mudah diterapkan dan ditafsirkan.
• Bekerja dengan baik untuk tugas klasifikasi biner dan sederhana.
• Menyediakan keluaran probabilistik yang berguna untuk pengambilan keputusan.

Beberapa keterbatasan regresi logistik meliputi:

• Mengasumsikan adanya hubungan linear antara variabel (melalui log-odds).
• Mungkin tidak bekerja dengan baik pada kumpulan data yang kompleks atau sangat non-linear.
• Dapat sensitif terhadap pencilan.

Perbedaan utamanya meliputi:

• Linear Regression: Memprediksi nilai kontinu.
• Regresi Logistik: Memprediksi hasil kategoris.
• Keluaran: Regresi logistik menghasilkan probabilitas (0 hingga 1), sedangkan regresi linear menghasilkan bilangan riil.

Dalam pelajaran ini, Anda telah mempelajari:

• Konsep dan cara kerja regresi logistik.
• Fungsi sigmoid dan perannya dalam klasifikasi.
• Penerapan, keunggulan, dan keterbatasan regresi logistik.

Selanjutnya, kita akan menerapkan regresi logistik dalam Python untuk menyelesaikan masalah klasifikasi.