Yes/Noを予測するロジスティック回帰

分類は数値ではなくカテゴリを予測します。このメールはスパムでしょうか、それとも違うでしょうか。求めているのは、このような「はい」か「いいえ」の答えです。✉️

ロジスティック回帰は、2クラス問題の古典的な出発点です。シンプルで高速なうえ、驚くほど他の手法に負けません。

名前に反して、ロジスティック回帰は0から1の間の確率を返します。たとえば、この顧客が解約する確率は0.82、といった形です。

シグモイドと呼ばれる曲線が、どのような値も0から1の範囲に押し込みます。これによって、生のスコアが分かりやすい確率になります。

他の推定器と同じように作成します。クラスをインポートし、学習できる状態のモデルオブジェクトを作ります。

fitで特徴量とラベルを渡すと、2つのクラスを分ける重みを学習します。

predictを呼び出すと、各行について選ばれたクラスを取得できます。各例に対して、0または1が返されます。

生の確信度が必要ですか。predict_probaは各クラスの確率を返すため、モデルがどの程度確信しているかが分かります。

確率をラベルに変換するには、通常0.5のしきい値と比較します。これを上回れば「はい」、下回れば「いいえ」です。

しきい値は意図的に上げたり下げたりできます。より厳しい基準にすると検出できるケースは減りますが、検出したケースへの確信度は高くなります。

各特徴量には係数があります。正の係数は予測を「はい」の方向へ、負の係数は「いいえ」の方向へ動かします。

ロジスティック回帰は特徴量を確率に変換し、しきい値によって「はい」か「いいえ」を決めます。シンプルで高速な、最初に試す分類器として優れた手法です。🎯