الانحدار اللوجستي الثنائي: نظرة عامة ، القدرات ، والافتراضات

أحد أكثر التعريفات المقبولة للتعلم الآلي هو ما يلي:

"يُقال أن برنامج الكمبيوتر يتعلم من التجربة E فيما يتعلق ببعض فئات المهام T وقياس الأداء P ، إذا تحسن أدائه في المهام في T ، كما تم قياسه بواسطة P ، مع الخبرة E."

الآن ، لتحسين أداء الجهاز بمرور الوقت في نفس فئة المهام ، يتم استخدام خوارزميات مختلفة لتحسين إخراج الجهاز وتقريبه من النتائج المرجوة. يعد تحليل الانحدار أحد الأساليب الأساسية والأكثر استخدامًا لجعل الآلة تعمل على تحسين أدائها.

وهو يتألف من مجموعة من تقنيات التعلم الآلي للتنبؤ بمتغير إخراج مستمر بناءً على واحد أو أكثر من قيم متغيرات التوقع. يهدف تحليل الانحدار إلى تطوير معادلة رياضية يمكن أن تحدد المتغير المستمر كدالة لمتغير التوقع.

في إحدى مقالاتنا السابقة ، نظرنا في الانحدار اللوجستي وكيفية تنفيذ الانحدار اللوجستي في بايثون. تحدثنا أيضًا باختصار عن الأنواع الثلاثة المختلفة للانحدارات اللوجستية في التعلم الآلي. في هذه المقالة ، دعنا نقدم لك نظرة عامة مفصلة قليلاً عن الانحدار اللوجستي الثنائي إلى جانب نظرة عامة وإمكانيات وافتراضات.

نظرة عامة على الانحدار اللوجستي الثنائي

يمكن فهم الانحدار اللوجستي الثنائي أو ثنائي الحدين على أنه نوع من الانحدار اللوجستي الذي يتعامل مع السيناريوهات حيث يمكن أن تكون النتائج الملحوظة للمتغيرات التابعة في حالة ثنائية فقط ، أي يمكن أن يكون لها نوعان محتملان فقط. يمكن أن يكون هذان النوعان من الفئات 0 أو 1 ، أو ناجحًا أو يفشل ، أو ميتًا أو حيًا ، أو يفوز أو يخسر ، وما إلى ذلك.

يعمل الانحدار اللوجستي متعدد الحدود في سيناريوهات حيث يمكن أن يكون للنتيجة أكثر من نوعين محتملين - المرض أ مقابل المرض ب مقابل المرض ج - التي ليست بأي ترتيب معين. نوع آخر من الانحدار اللوجستي هو الانحدار اللوجيستي الترتيبي الذي يتعامل مع المتغيرات التابعة بطريقة منظمة.

في الانحدار اللوجستي الثنائي ، يتم تحديد المخرجات المحتملة عمومًا على أنها 0 أو 1 لأن هذا ينتج عنه تفسير وفهم أكثر وضوحًا لنموذج الانحدار. إذا كانت نتيجة معينة لأي متغير تابع هي النتيجة الناجحة أو الجديرة بالملاحظة ، يتم ترميزها على أنها 0 ، وإذا كانت غير ناجحة أو فاشلة ، يتم ترميزها على أنها 0.

بعبارات بسيطة ، يمكن استخدام الانحدار اللوجستي الثنائي للتنبؤ بعناية وبدقة باحتمالات كونها حالة بناءً على قيم المتنبئين أو المتغيرات المستقلة.

قدرات الانحدار اللوجستي الثنائي - أنواع الأسئلة التي يمكن الإجابة عليها

كما ذكر أعلاه ، فإن الانحدار اللوجستي الثنائي مناسب بشكل مثالي للسيناريوهات حيث يمكن أن ينتمي الناتج إلى أي من الفئتين أو المجموعتين. ونتيجة لذلك ، فإن الانحدار اللوجستي الثنائي هو الأنسب للإجابة على الأسئلة من الطبيعة التالية:

• هل تتغير احتمالية الإصابة بالسرطان لكل كيلوغرام إضافي يعاني الشخص من زيادة الوزن؟
• هل يختلف الاحتمال المذكور لكل علبة سجائر يتم تدخينها يوميًا؟
• هل يؤثر وزن الجسم وتناول الدهون وتناول السعرات الحرارية والعمر على احتمالية الإصابة بنوبة قلبية؟

كما ترى ، يمكن أن تكون الإجابات على جميع الأسئلة الثلاثة المذكورة أعلاه إما نعم أو لا ، 0 أو 1. وبالتالي يمكن استخدام الانحدار اللوجستي الثنائي للإجابة على هذه الأسئلة بدقة.

الافتراض الرئيسي للانحدار اللوجستي الثنائي

كما هو الحال مع أي خوارزمية أخرى للتعلم الآلي ، يعمل الانحدار اللوجستي الثنائي أيضًا على بعض الافتراضات. فيما يلي هؤلاء:

• المتغير التابع ثنائي التفرع. أي أنه إما حاضر أو ​​غائب ولكنه لا يحدث معًا في وقت واحد.
• يجب ألا توجد قيم متطرفة في البيانات.
• يجب ألا يكون هناك ارتباط كبير أو علاقة خطية متعددة بين المتنبئين المختلفين. يمكن تقييم ذلك باستخدام مصفوفة الارتباط بين المتنبئين المختلفين.

ختاما

يساعد الانحدار اللوجستي الثنائي في العديد من حالات استخدام التعلم الآلي. من اكتشاف المتعثرين في سداد القروض إلى مساعدة الشركات على الاحتفاظ بالعملاء - يمكن توسيع الانحدار اللوجستي الثنائي لحل مشكلات الأعمال الأكثر تعقيدًا. ومع ذلك ، يجب أن تتذكر أن هذا مجرد أحد محيطات تقنيات خوارزميات التعلم الآلي. بمجرد إتقان تحليل الانحدار ، فأنت في طريقك للتعامل مع مواضيع أكثر تعقيدًا ودقة.

ومع ذلك ، إذا كنت لا تزال تكافح من أجل فهم تحليل الانحدار وبدء رحلة التعلم الآلي ، فإننا نوصيك بقائمة دورات التعلم الآلي الخاصة بنا . في upGrad ، لدينا قاعدة من المتعلمين في أكثر من 85 دولة ، مع أكثر من 40.000 متعلم مدفوع الأجر على مستوى العالم ، وقد أثرت برامجنا على أكثر من 500.000 من المهنيين العاملين.

تم تصميم ماجستير العلوم في التعلم الآلي والذكاء الاصطناعي ، المقدم بالتعاون مع جامعة ليفربول جون مورس ، لمساعدة المتعلمين على البدء من الصفر واكتساب ما يكفي من التعلم للعمل في مشاريع واقعية. ستضمن مساعدتنا المهنية بزاوية 360 درجة أنك مستعد تمامًا لتولي أدوار عليا في الصناعة. لذا تواصل معنا اليوم واختبر قوة التعلم من الأقران والشبكات العالمية!