İkili Lojistik Regresyon: Genel Bakış, Yetenekler ve Varsayımlar

Makine Öğreniminin en çok kabul gören tanımlarından biri şuna benzer:

"Bir bilgisayar programının, P ile ölçüldüğü gibi T'deki görevlerdeki performansı, E deneyimi ile iyileşirse, bazı görev sınıfları ve performans ölçüsü P ile ilgili olarak E deneyiminden öğrendiği söylenir."

Şimdi, aynı görev sınıfında zaman içinde makinenin performansını iyileştirmek için, makinenin çıktısını optimize etmek ve onu istenen sonuçlara yaklaştırmak için farklı algoritmalar kullanılıyor. Regresyon Analizi, makinenin performansını iyileştirmesini sağlamak için temel ve en çok kullanılan tekniklerden biridir.

Bir veya daha fazla tahmin değişkeninin değerine dayalı olarak sürekli bir çıktı değişkenini tahmin etmek için bir dizi makine öğrenme tekniğinden oluşur. Regresyon Analizi, sürekli değişkeni yordayıcı değişkenin bir fonksiyonu olarak tanımlayabilen matematiksel bir denklem geliştirmeyi amaçlar.

Daha önceki makalelerimizden birinde Lojistik Regresyona ve Python'da Lojistik Regresyonun nasıl uygulanacağına baktık. Ayrıca Makine Öğrenimindeki üç farklı Lojistik Regresyon türünden kısaca bahsettik. Bu makalede, İkili Lojistik Regresyonun genel bakışı, yetenekleri ve varsayımları ile birlikte size biraz ayrıntılı bir inceleme sunalım.

İkili Lojistik Regresyona Genel Bakış

İkili veya Binom Lojistik Regresyon, bağımlı değişkenler için gözlemlenen sonuçların yalnızca ikili olabileceği, yani yalnızca iki olası türe sahip olabileceği senaryolarla ilgilenen Lojistik Regresyon türü olarak anlaşılabilir. Bu iki sınıf türü 0 veya 1, başarılı veya başarısız, ölü veya diri, kazan veya kaybet vb. olabilir.

Çok terimli Lojistik Regresyon, sonucun belirli bir sırada olmayan ikiden fazla olası türe (hastalık A'ya karşı hastalık B'ye karşı hastalık C) sahip olabileceği senaryolarda çalışır. Yine bir başka Lojistik Regresyon türü, bağımlı değişkenlerle düzenli bir şekilde ilgilenen Sıralı Lojistik Regresyondur.

İkili Lojistik Regresyonda, olası çıktılar genellikle 0 veya 1 olarak tanımlanır, çünkü bu, regresyon modelinin en doğrudan yorumlanması ve anlaşılmasıyla sonuçlanır. Herhangi bir bağımlı değişken için belirli bir sonuç başarılı veya kayda değer sonuç ise 0, başarısız veya başarısız ise 0 olarak kodlanır.

Basit bir ifadeyle, İkili Lojistik Regresyon, tahmin edicilerin veya bağımsız değişkenlerin değerlerine dayalı bir vaka olma ihtimalini dikkatli ve doğru bir şekilde tahmin etmek için kullanılabilir.

İkili Lojistik Regresyonun Yetenekleri – Cevaplayabileceği Soru Türleri

Yukarıda bahsedildiği gibi, İkili Lojistik Regresyon, çıktının iki sınıf veya gruptan birine ait olabileceği senaryolar için idealdir. Bunun bir sonucu olarak, İkili Lojistik Regresyon, aşağıdaki nitelikteki soruları yanıtlamak için en uygun olanıdır:

• Bir kişinin aşırı kilolu olduğu her ek KG için kanser olma olasılığı değişir mi?
• Günde içilen her paket sigara için söz konusu olasılık değişiyor mu?
• Vücut ağırlığı, yağ alımı, kalori alımı ve yaş kalp krizi geçirme olasılığını etkiler mi?

Gördüğünüz gibi, yukarıdaki üç sorunun yanıtları ya evet ya da hayır, 0 ya da 1 olabilir. Dolayısıyla Binary Logistic Regresyon bu soruları tam olarak yanıtlamak için kullanılabilir.

İkili Lojistik Regresyonun Büyük Varsayımı

Diğer herhangi bir Makine Öğrenimi algoritmasında olduğu gibi, İkili Lojistik Regresyon da bazı varsayımlar üzerinde çalışır. İşte bunlar:

• Bağımlı değişken ikilidir. Yani ya vardır ya da yoktur ama asla ikisi birden değildir.
• Verilerde aykırı değerler olmamalıdır.
• Farklı yordayıcılar arasında yüksek bir korelasyon veya çoklu bağlantı olmamalıdır. Bu, farklı tahminciler arasında bir korelasyon matrisi kullanılarak değerlendirilebilir.

Sonuç olarak

İkili Lojistik Regresyon, birçok Makine Öğrenimi kullanım senaryosunda yardımcı olur. Kredi borcunu ödeyemeyenleri bulmaktan işletmelerin müşterileri elde tutmasına yardımcı olmaya kadar – İkili Lojistik Regresyon, daha karmaşık işletme sorunlarını bile çözmek için genişletilebilir. Ancak, bunun Makine Öğrenimi algoritma teknikleri okyanuslarından sadece biri olduğunu unutmamalısınız. Regresyon analizinde ustalaştıktan sonra, daha karmaşık ve nüanslı konularla ilgilenme yolundasınız.

Bununla birlikte, hala Regresyon Analizini anlamlandırmakta ve Makine Öğrenimi yolculuğunuza başlamakta zorlanıyorsanız, size Makine Öğrenimi kursları listemizi öneriyoruz . upGrad'da, dünya çapında 40.000'den fazla ücretli öğrenciyle 85'ten fazla ülkede bir öğrenci tabanımız var ve programlarımız 500.000'den fazla çalışan profesyoneli etkiledi.

Liverpool John Moores Üniversitesi ile işbirliği içinde sunulan Makine Öğrenimi ve Yapay Zeka Bilim Ustamız, öğrencilerin sıfırdan başlamasına ve gerçek hayattaki projeler üzerinde çalışmak için yeterli öğrenmeyi edinmelerine yardımcı olmak için tasarlanmıştır. 360 derecelik kariyer yardımımız, sektördeki en üst düzey rolleri üstlenmek için tamamen bakımlı olmanızı sağlayacaktır. O halde bugün bize ulaşın ve akran öğrenimi ve küresel ağ oluşturmanın gücünü deneyimleyin!