استكشف أساسيات الانحدار اللوجستي للتصنيف الثنائي. تعرف على الدالة السيجماوية ودرجات الاحتمالية وكيفية مقارنتها بـ YOLO26.
الانحدار اللوجستي هو طريقة إحصائية أساسية وخوارزمية تعلم آلي تستخدم بشكل أساسي في مهام التصنيف الثنائي. على الرغم من أن اسمها يحتوي على كلمة "انحدار"، والتي تشير عادةً إلى توقع قيم مستمرة (مثل درجة الحرارة أو أسعار الأسهم)، فإن الانحدار اللوجستي مصمم لتوقع احتمالية انتماء مدخل معين إلى فئة معينة. وهذا يجعله أداة مهمة للمشاكل التي تكون نتيجتها ثنائية، مثل تحديد ما إذا كانت رسالة بريد إلكتروني "بريد مزعج" أو "ليست بريد مزعج"، أو ما إذا كان ورم طبي "حميدة" أو "خبيثة". وهو بمثابة جسر بين الإحصاءات التقليدية والتعلم الحديث المشرف عليه، حيث يوفر توازنًا بين البساطة وقابلية التفسير، وغالبًا ما يستخدم كأساس قبل تنفيذ نماذج أكثر تعقيدًا مثل الشبكات العصبية .
على عكس الانحدار الخطي، الذي يلائم خطًا مستقيمًا مع نقاط البيانات للتنبؤ بناتج مستمر، فإن الانحدار اللوجستي يلائم منحنى على شكل حرف "S" مع البيانات. يتم إنشاء هذا المنحنى باستخدام دالة Sigmoid، وهي تحويل رياضي يقوم بتحويل أي رقم ذي قيمة حقيقية إلى قيمة بين 0 و 1. يمثل هذا الناتج درجة احتمالية، تشير إلى الثقة في أن الحالة تنتمي إلى الفئة الإيجابية.
خلال عملية التدريب، يتعلم الخوارزمية الأوزان والتحيزات المثلى weights and biases لتقليل الأخطاء. ويتم ذلك عادةً باستخدام خوارزمية تحسين مثل التدرج التنازلي، الذي يضبط بشكل متكرر معلمات النموذج لتقليل الفرق بين الاحتمالات المتوقعة وتصنيفات الفئات الفعلية. غالبًا ما يتم تقييم الأداء باستخدام دالة خسارة محددة تسمى Log Loss أو Binary Cross-Entropy. بمجرد أن ينتج النموذج احتمالية، يقوم حد القرار (غالبًا ما يتم تعيينه على 0.5) بتصنيف المدخلات: تصبح القيم فوق العتبة الفئة الإيجابية، وتصبح القيم تحتها الفئة السلبية.
من المهم التمييز بين الانحدار اللوجستي والمفاهيم المماثلة لتجنب الالتباس:
لا يزال الانحدار اللوجستي مستخدمًا على نطاق واسع في مختلف الصناعات نظرًا لكفاءته وسهولة تفسير نتائجه .
بينما تُفضل نماذج التعلم العميق مثل YOLO26 للمهام المعقدة مثل اكتشاف الأجسام، غالبًا ما يكون الانحدار اللوجستي هو الطبقة النهائية في شبكات تصنيف الصور الثنائية . على سبيل المثال، قد تستخرج الشبكة العصبية التلافيفية السمات، وتعمل الطبقة النهائية كمصنف انحدار لوجستي لتحديد ما إذا كانت الصورة تحتوي على "قطة" أو "كلب".
تسهل أدوات مثل Ultralytics سير العمل لتدريب نماذج التصنيف المعقدة التي تستخدم هذه المبادئ الأساسية. ومع ذلك، لفهم المفهوم الأساسي، يمكن للمكتبات البسيطة توضيح الآليات.
فيما يلي مثال أساسي يستخدم torch لتحديد بنية نموذج الانحدار اللوجستي أحادي الطبقة:
import torch
import torch.nn as nn
# Define a simple Logistic Regression model class
class LogisticRegression(nn.Module):
def __init__(self, input_dim):
super().__init__()
# A single linear layer maps input features to a single output
self.linear = nn.Linear(input_dim, 1)
def forward(self, x):
# The sigmoid function transforms the linear output to a probability (0 to 1)
return torch.sigmoid(self.linear(x))
# Example usage: Initialize model for 10 input features
model = LogisticRegression(input_dim=10)
print(model)
فهم نقاط القوة والضعف في هذا الخوارزمية يساعد في اختيار الأداة المناسبة للمهمة.
.webp)