バイナリロジスティック回帰:概要、機能、および仮定
公開: 2021-10-05機械学習の最も受け入れられている定義の1つは、次のようになります。
「コンピュータプログラムは、Pによって測定されたTのタスクでのパフォーマンスが、経験Eによって向上する場合、あるクラスのタスクTおよびパフォーマンス測定値Pに関して経験Eから学習すると言われています。」
現在、同じクラスのタスクで時間の経過とともにマシンのパフォーマンスを向上させるために、さまざまなアルゴリズムを使用してマシンの出力を最適化し、目的の結果に近づけています。 回帰分析は、マシンのパフォーマンスを向上させるための基本的で最もよく使用される手法の1つです。
これは、1つ以上の予測変数の値に基づいて連続出力変数を予測するための一連の機械学習手法で構成されています。 回帰分析は、連続変数を予測変数の関数として定義できる数式を開発することを目的としています。
以前の記事の1つで、ロジスティック回帰とPythonでロジスティック回帰を実装する方法について説明しました。 また、機械学習における3種類のロジスティック回帰についても簡単に説明しました。 この記事では、バイナリロジスティック回帰の概要、機能、および前提条件とともに、少し詳細なウォークスルーを示します。
目次
バイナリロジスティック回帰の概要
バイナリまたは二項ロジスティック回帰は、従属変数の観測結果がバイナリのみである、つまり2つの可能なタイプのみを持つことができるシナリオを処理するロジスティック回帰のタイプとして理解できます。 これらの2つのタイプのクラスは、0または1、合格または不合格、死亡または生存、勝ちまたは負けなどです。

多項ロジット回帰は、結果に3つ以上のタイプ(病気Aと病気Bと病気C)があり、特定の順序ではないシナリオで機能します。 さらに別のタイプのロジスティック回帰は、順序付けられた方法で従属変数を処理する通常のロジスティック回帰です。
バイナリロジスティック回帰では、可能な出力は一般に0または1として定義されます。これにより、回帰モデルの最も簡単な解釈と理解が得られます。 従属変数の特定の結果が成功または注目に値する結果である場合、それは0としてコード化され、失敗または失敗の場合、それは0としてコード化されます。
簡単に言うと、バイナリロジスティック回帰を使用して、予測変数または独立変数の値に基づいて、ケースである確率を注意深く正確に予測できます。
バイナリロジスティック回帰の機能–回答できる質問の種類
上記のように、バイナリロジスティック回帰は、出力が2つのクラスまたはグループのいずれかに属することができるシナリオに最適です。 その結果、バイナリロジスティック回帰は次の性質の質問に答えるのに最適です。
- 人が太りすぎのKGを追加するたびに、癌になる確率は変化しますか?
- 上記の確率は、1日に喫煙されるタバコのパックごとに異なりますか?
- 体重、脂肪摂取量、カロリー摂取量、年齢は心臓発作の確率に影響しますか?
ご覧のとおり、上記の3つの質問すべてに対する回答は、「はい」または「いいえ」、「0」または「1」のいずれかになります。したがって、バイナリロジスティック回帰を使用してこれらの質問に正確に回答できます。


バイナリロジスティック回帰の主な仮定
他の機械学習アルゴリズムと同様に、バイナリロジスティック回帰もいくつかの仮定で機能します。 これらは次のとおりです。
- 従属変数は二分されます。 つまり、存在するか存在しないかのどちらかですが、同時に両方が存在することはありません。
- データに外れ値が存在しないようにする必要があります。
- 異なる予測子の間に高い相関または多重共線性があってはなりません。 これは、さまざまな予測子間の相関行列を使用して評価できます。
結論は
バイナリロジスティック回帰は、多くの機械学習のユースケースで役立ちます。 ローンの不履行者の把握から、企業が顧客を維持するのを支援することまで、バイナリロジスティック回帰を拡張して、より複雑なビジネス上の問題を解決することができます。 ただし、これは機械学習アルゴリズム手法の海の1つにすぎないことを覚えておく必要があります。 回帰分析をマスターすると、より複雑で微妙なトピックを扱うことができます。
ただし、回帰分析の意味を理解して機械学習の旅を始めるのにまだ苦労している場合は、機械学習コースのリストをお勧めします。 upGradでは、85か国以上に学習者ベースがあり、世界中で40,000人以上の有給学習者がいます。また、プログラムは50万人以上の働く専門家に影響を与えています。
リバプールジョンムーア大学と共同で提供される機械学習と人工知能の科学のマスターは、学習者がゼロから始めて、実際のプロジェクトに取り組むのに十分な学習を習得できるように設計されています。 私たちの360度のキャリア支援は、あなたが業界でトップの役割を果たすために完全に手入れされていることを保証します。 だから今日私たちに連絡して、ピアラーニングとグローバルネットワーキングの力を体験してください!
ベイズ統計モデルは数学的手順に基づいており、確率の概念を使用して統計問題を解決します。 それらは、人々が新しいデータに依存し、モデルパラメータに基づいて予測を行うための証拠を提供します。 これは、ベイズの定理を使用して仮説の確率を更新するために新しいデータと情報に依存する統計で有用な手法です。 ベイジアンモデルは、統計モデルのすべてのパラメーターが、観測されているかどうかに関係なく、同時確率分布が割り当てられているという点で独特です。ベイズ統計モデルは何に使用されますか?
ベイズ推定とは何ですか?
ベイジアンモデルはユニークですか?