Sözlük

Lojistik Regresyon

İkili sınıflandırma için Lojistik Regresyonun gücünü keşfedin. Makine öğrenimindeki uygulamalarını, temel kavramlarını ve alaka düzeyini öğrenin.

YOLO modellerini Ultralytics HUB ile basitçe
eğitin

Daha fazla bilgi edinin

Lojistik Regresyon, amacın iki olası sonuçtan birini tahmin etmek olduğu ikili sınıflandırma problemleri için kullanılan temel bir istatistiksel ve Makine Öğrenimi (ML) algoritmasıdır. "Regresyon" içeren ismine rağmen, bir sınıflandırma algoritmasıdır. Belirli bir girdinin belirli bir kategoriye ait olma olasılığını modelleyerek çalışır ve genellikle 0 ile 1 arasında bir değer verir.

Temel Kavram ve İşlevsellik

Lojistik Regresyon, bir veya daha fazla bağımsız değişkene (özellik) dayalı olarak ikili bir sonucun (evet/hayır, doğru/yanlış veya 0/1 gibi) olasılığını tahmin eder. Girdi özelliklerinin doğrusal bir kombinasyonunu bir olasılık puanına dönüştürmek için sigmoid veya lojistik fonksiyon olarak bilinen belirli bir matematiksel fonksiyon kullanır. Bu puan, örneğin pozitif sınıfa ait olma olasılığını temsil eder (genellikle 1 olarak gösterilir). Daha sonra örneği belirli bir sınıfa atamak için bu olasılığa bir karar eşiği (genellikle 0,5) uygulanır. Örneğin, tahmin edilen olasılık 0,5'ten büyükse, örnek sınıf 1 olarak sınıflandırılır; aksi takdirde, sınıf 0 olarak sınıflandırılır. Gözetimli Öğrenme kategorisine girer.

Doğrusal Regresyon ile Karşılaştırma

Hem Lojistik Regresyon hem de Doğrusal Regresyon temel modelleme teknikleri olsa da farklı amaçlara hizmet ederler. Doğrusal Regresyon sürekli değerleri tahmin etmek için kullanılırken (örneğin, ev fiyatlarını tahmin etmek), Lojistik Regresyon kategorik sonuçları, özellikle de sınıflandırma görevleri için olasılıkları tahmin etmek için kullanılır. Lojistik Regresyonun çıktısı sigmoid fonksiyonu aracılığıyla 0 ve 1 arasında sınırlandırılmıştır, bu da çıktısı sonsuza kadar değişebilen Doğrusal Regresyonun aksine olasılık tahmini için uygun hale getirir.

Lojistik Regresyon Türleri

En yaygın form İkili Lojistik Regresyon (iki sonuç sınıfı) olmakla birlikte, uzantıları da vardır:

  • Multinomial Lojistik Regresyon: Hedef değişken üç veya daha fazla nominal kategoriye sahip olduğunda kullanılır (örneğin, elma, portakal, muz gibi meyve türlerinin sınıflandırılması).
  • Ordinal Lojistik Regresyon: Hedef değişken üç veya daha fazla sıralı kategoriye sahip olduğunda uygulanır (örneğin, memnuniyetin düşük, orta, yüksek olarak derecelendirilmesi).

Gerçek Dünya Uygulamaları

Lojistik Regresyon, basitliği, yorumlanabilirliği ve doğrusal olarak ayrılabilir veriler üzerindeki etkinliği nedeniyle yaygın olarak kullanılmaktadır.

  1. Spam E-posta Tespiti: Anahtar kelimeler, gönderen bilgileri ve e-posta yapısı gibi özelliklere dayanarak e-postaları 'spam' veya 'spam değil' olarak sınıflandırmak. Bu, bir e-postanın spam olma olasılığını tahmin etmeyi içerir. Daha karmaşık teknikler Doğal Dil İşleme (NLP) içerebilir.
  2. Tıbbi Teşhis: Kan basıncı, BMI ve yaş gibi tanısal ölçümlere dayanarak bir hastanın belirli bir hastalığa (örneğin diyabet) sahip olma olasılığının tahmin edilmesi. Bu, erken teşhis ve tedavi planlamasına yardımcı olur ve genellikle tıbbi görüntü analizini tamamlar. Yapay zekanın klinik araştırmalardaki rolü hakkında daha fazla bilgi edinin.

Uygunluk ve Değerlendirme

Daha geniş Yapay Zeka (AI) bağlamında, Lojistik Regresyon sınıflandırma görevleri için temel bir model olarak hizmet eder. Katsayıları, her bir özelliğin sonuç üzerindeki etkisini anlamak için yorumlanabilir ve modelin açıklanabilirliğine katkıda bulunur. Sinir Ağları (NN), Destek Vektör Makineleri (SVM) gibi daha karmaşık modeller ve hatta nesne algılama için Ultralytics YOLO gibi gelişmiş mimariler genellikle karmaşık veri kümelerinde daha yüksek performans elde ederken, Lojistik Regresyon daha basit problemler için veya tahmine dayalı modellemede ilk adım olarak değerli olmaya devam etmektedir.

Model performansı tipik olarak Doğruluk, Kesinlik, Geri Çağırma, F1 Puanı ve ROC Eğrisi Altındaki Alan (AUC) gibi ölçütler kullanılarak değerlendirilir. Scikit-learn gibi kütüphaneler sağlam uygulamalar sağlar. Bu YOLO performans metriklerini anlamak, daha geniş bir makine öğrenimi bağlamında da faydalı olabilir. Çeşitli makine öğrenimi modellerini yönetmek ve dağıtmak için Ultralytics HUB gibi platformlar kapsamlı araçlar sunar.

Tümünü okuyun