Regresja logistyczna jest jednym z najczęściej używanych algorytmów uczenia maszynowego, który jest używany do modelowania zmiennej binarnej, która przyjmuje tylko 2 wartości – 0 i 1. Celem regresji logistycznej jest opracowanie równania matematycznego, które może dać nam wynik w zakresie od 0 do 1. Wynik ten daje nam prawdopodobieństwo, że zmienna przyjmuje wartość 1.
Oto niektóre z popularnie badanych przykładów regresji logistycznej:
Przykład regresji logistycznej: Wykrywanie spamu
Wykrywanie spamu jest problemem klasyfikacji binarnej, w którym otrzymujemy wiadomość e-mail i musimy sklasyfikować, czy jest to spam, czy nie. Jeśli wiadomość jest spamem, oznaczamy ją jako 1; jeśli nie jest spamem, oznaczamy ją jako 0. W celu zastosowania regresji logistycznej do problemu wykrywania spamu, wyodrębniane są następujące cechy wiadomości e-mail:
- Nadawca wiadomości
- Liczba literówek w wiadomości
- Występowanie słów/fraz takich jak „oferta”, „nagroda”, „darmowy prezent” itp.
Wynikowy wektor cech jest następnie używany do trenowania klasyfikatora logistycznego, który generuje wynik w zakresie od 0 do 1. Jeśli wynik jest większy niż 0,5, oznaczamy wiadomość jako spam. W przeciwnym razie, nie oznaczamy go jako spam.
Przykład regresji logistycznej: Credit Card Fraud
Problem wykrywania oszustw związanych z kartami kredytowymi ma istotne znaczenie dla branży bankowej, ponieważ banki każdego roku wydają setki milionów dolarów z powodu oszustw. Kiedy dochodzi do transakcji kartą kredytową, bank odnotowuje kilka czynników. Na przykład datę transakcji, kwotę, miejsce, rodzaj zakupu itp. Na podstawie tych czynników opracowuje model regresji logistycznej określający, czy transakcja jest oszustwem, czy nie.
Na przykład, jeśli kwota jest zbyt wysoka, a bank wie, że dana osoba nigdy nie dokonuje tak wysokich zakupów, może oznaczyć ją jako oszustwo.
Przykład regresji logistycznej: Tumour Prediction
Klasyfikator regresji logistycznej może być użyty do określenia, czy guz jest złośliwy, czy też jest łagodny. Kilka technik obrazowania medycznego jest wykorzystywanych do wyodrębnienia różnych cech guzów. Na przykład, rozmiar guza, dotknięty obszar ciała, itp. Cechy te są następnie podawane do klasyfikatora regresji logistycznej w celu określenia, czy guz jest złośliwy, czy łagodny.
Przykład regresji logistycznej: Marketing
Każdego dnia, kiedy przeglądasz swój newsfeed na Facebooku, potężne algorytmy działające za sceną przewidują, czy byłbyś zainteresowany pewną treścią (która może być na przykład reklamą), czy też nie. Takie algorytmy mogą być postrzegane jako złożone odmiany algorytmów Logistic Regression, gdzie pytanie, na które należy odpowiedzieć jest proste – czy użytkownik lubi tę konkretną reklamę w jego / jej news feed?
To były niektóre z przykładów Logistic Regression, które dałyby Ci poczucie jego przypadków użycia. Uczenie maszynowe jest ogromna dziedzina i Regresja logistyczna jest tylko małą częścią tego. Ucz się dalej i bądź na bieżąco z Magoosh, aby uzyskać więcej blogów na temat nauki o danych!
.