Regressão logística

A regressão logística é um algoritmo fundamental de aprendizagem automática utilizado para problemas de classificação binária, em que o objetivo é prever a probabilidade de ocorrência de um evento. Ao contrário da regressão linear, que prevê valores contínuos, a regressão logística produz uma probabilidade entre 0 e 1, o que a torna adequada para tarefas em que o resultado é categórico, como, por exemplo, se um e-mail é spam ou não, ou se um paciente tem uma doença ou não.

Como funciona a regressão logística

A regressão logística emprega uma função logística, também conhecida como função sigmoide, para comprimir o resultado de uma equação linear entre 0 e 1. Essa função mapeia qualquer valor de entrada em um valor de probabilidade, proporcionando uma transição suave entre os dois resultados possíveis. O modelo aprende os melhores parâmetros para a equação linear durante o treinamento, minimizando a diferença entre as probabilidades previstas e os resultados reais nos dados de treinamento.

Conceitos-chave

• Classificação binária: A regressão logística é utilizada principalmente para tarefas de classificação binária, prevendo um de dois resultados possíveis. Explora a classificação binária para obter mais detalhes.
• Função sigmoide: O núcleo da regressão logística é a função sigmoide, que transforma qualquer entrada em um valor entre 0 e 1, representando uma probabilidade. Saiba mais sobre a função sigmoide.
• Limite de decisão: um limite, normalmente 0,5, é usado para classificar o resultado. Por exemplo, se a probabilidade prevista for superior a 0,5, o resultado é classificado como uma classe; caso contrário, é classificado como a outra classe.
• Treinamento do modelo: Durante o treinamento, o algoritmo ajusta os parâmetros da equação linear para minimizar a função de perda, que mede a diferença entre as probabilidades previstas e os resultados reais.
• Avaliação: O desempenho de um modelo de regressão logística é muitas vezes avaliado através de métricas como a exatidão, a precisão, a recuperação e a pontuação F1, que fornecem informações sobre a capacidade do modelo para classificar corretamente as instâncias.

Aplicações no mundo real

A regressão logística é amplamente utilizada em vários domínios devido à sua simplicidade e eficácia. Apresentamos-te dois exemplos concretos:

1. Diagnóstico médico: Nos cuidados de saúde, a regressão logística pode ser utilizada para prever a probabilidade de um doente ter uma determinada doença com base em vários factores, como a idade, o sexo e os resultados dos testes. Por exemplo, pode avaliar a probabilidade de um paciente desenvolver diabetes com base no seu estilo de vida e predisposições genéticas. Sabe mais sobre a IA nos cuidados de saúde.
2. Pontuação de crédito: As instituições financeiras utilizam a regressão logística para avaliar o risco de crédito. Ao analisar factores como o histórico de crédito, o rendimento e os níveis de dívida, o modelo pode prever a probabilidade de incumprimento de um candidato a empréstimo, ajudando nas decisões de empréstimo. Descobre mais sobre a pontuação de crédito.

Regressão logística vs. outros algoritmos

Embora a regressão logística seja poderosa para a classificação binária, é importante compreender como difere de outros algoritmos:

• Regressão linear: Ao contrário da regressão linear, que prevê resultados contínuos, a regressão logística prevê probabilidades para resultados categóricos.
• Máquina de vectores de suporte (SVM): O SVM tem como objetivo encontrar um hiperplano que melhor separe as diferentes classes no espaço de caraterísticas. Embora tanto a regressão logística como a SVM possam ser utilizadas para a classificação binária, a SVM pode ser mais eficaz em espaços de elevada dimensão e com conjuntos de dados complexos.
• Árvores de decisão e florestas aleatórias: As árvores de decisão e as florestas aleatórias podem lidar com tarefas de classificação e regressão e podem captar relações não lineares. No entanto, podem ser propensas a sobreajustes em comparação com a regressão logística.

Utilizar a regressão logística com Ultralytics

Ultralytics fornece ferramentas e recursos para facilitar a utilização de vários modelos de aprendizagem automática, incluindo a regressão logística. Com o Ultralytics HUB, os utilizadores podem treinar, validar e implementar modelos com facilidade. Embora o Ultralytics seja conhecido pelos seus modelos Ultralytics YOLO de última geração na deteção de objectos, a plataforma também suporta uma vasta gama de tarefas de aprendizagem automática, o que a torna uma escolha versátil para programadores e investigadores. Explora o blogueUltralytics para conheceres os últimos avanços e aplicações em IA.