اكتشف قوة الانحدار اللوجستي للتصنيف الثنائي. تعرف على تطبيقاته ومفاهيمه الأساسية وأهميته في التعلم الآلي.
الانحدار اللوجستي هو خوارزمية أساسية للإحصاء والتعلم الآلي (ML) تُستخدم في المقام الأول في مشاكل التصنيف الثنائي، حيث يكون الهدف هو التنبؤ بإحدى نتيجتين محتملتين. وعلى الرغم من احتواء اسمها على كلمة "انحدار"، إلا أنها خوارزمية تصنيف. وهي تعمل من خلال نمذجة احتمالية انتماء مدخلات معينة إلى فئة معينة، وعادةً ما تُخرج قيمة بين 0 و1. وهذا يجعلها خيارًا شائعًا للمهام التي تتطلب نتائج احتمالية.
يُقدّر الانحدار اللوجستي احتمالية نتيجة ثنائية (مثل نعم/لا أو صواب/خطأ أو 0/1) بناءً على متغير مستقل واحد أو أكثر (السمات). ويستخدم دالة رياضية محددة، تُعرف باسم الدالة المنجلية أو الدالة اللوجستية، لتحويل مجموعة خطية من سمات المدخلات إلى درجة احتمالية. تمثل هذه الدرجة احتمالية انتماء المثيل إلى الفئة الموجبة (يُشار إليها عادةً بالرقم 1). يتم بعد ذلك تطبيق عتبة قرار (عادةً 0.5) على هذا الاحتمال لتعيين المثيل إلى فئة معينة. على سبيل المثال، إذا كان الاحتمال المتوقع أكبر من 0.5، يتم تصنيف المثيل كفئة 1، وإلا يتم تصنيفه كفئة 0. يندرج ذلك تحت فئة التعلّم الخاضع للإشراف.
في حين أن كلاً من الانحدار اللوجستي والانحدار الخطي هما تقنيتان أساسيتان للنمذجة، إلا أنهما تخدمان أغراضاً مختلفة. يُستخدم الانحدار الخطي للتنبؤ بالقيم المستمرة (على سبيل المثال، التنبؤ بأسعار المنازل)، في حين يُستخدم الانحدار اللوجستي للتنبؤ بالنتائج الفئوية، وتحديداً الاحتمالات لمهام التصنيف. تكون مخرجات الانحدار اللوجستي مقيدة بين 0 و1 من خلال دالة سيغميد، مما يجعلها مناسبة لتقدير الاحتمالات، على عكس الانحدار الخطي الذي يمكن أن تتراوح مخرجاته إلى ما لا نهاية.
في حين أن الشكل الأكثر شيوعًا هو الانحدار اللوجستي الثنائي (فئتان من النتائج)، إلا أن هناك امتدادات:
يُستخدم الانحدار اللوجستي على نطاق واسع نظرًا لبساطته وقابليته للتفسير وكفاءته على البيانات القابلة للفصل الخطي.
في السياق الأوسع للذكاء الاصطناعي، يعمل الانحدار اللوجستي كنموذج أساسي لمهام التصنيف. يمكن تفسير معاملاته لفهم تأثير كل سمة على النتيجة، مما يساهم في إمكانية تفسير النموذج. في حين أن النماذج الأكثر تعقيدًا مثل الشبكات العصبية (NN) أو آلات دعم المتجهات (SVM) أو حتى البنى المتقدمة مثل Ultralytics YOLO للكشف عن الأشياء غالبًا ما تحقق أداءً أعلى على مجموعات البيانات المعقدة، يظل الانحدار اللوجستي ذا قيمة للمشاكل الأبسط أو كخطوة أولية في النمذجة التنبؤية.
عادةً ما يتم تقييم أداء النموذج باستخدام مقاييس مثل الدقة والدقة والاستعادة ودرجة F1 والمساحة تحت منحنى ROC (AUC). توفر مكتبات مثل Scikit-learn تطبيقات قوية. يمكن أن يكون فهم مقاييس أداءYOLO هذه مفيدًا أيضًا في سياق أوسع لتعلم الآلة. لإدارة ونشر نماذج التعلم الآلي المختلفة، توفر منصات مثل Ultralytics HUB أدوات شاملة.