머신러닝에 로지스틱 회귀 적용

로지스틱 회귀는 대상 변수의 가능성을 추정하는 분류를 위한 지도 학습 기술입니다. 이진 범주가 있는 대상 변수에 대해 작동합니다. 여기서 1은 성공 또는 예를 나타내고 0은 실패 또는 아니요를 나타냅니다. 따라서 로지스틱 회귀는 로지스틱 함수를 구축하여 목표 변수의 확률을 예측합니다. 간단히 말해서, 로지스틱 회귀는 분류 문제에 대해 이진 데이터를 0과 1의 확률적 표현으로 매핑합니다.

로지스틱 회귀 모델은 P(Y=1)를 X의 함수로 수학적으로 예측합니다. 가장 기본적인 ML 기술 중 하나이며 다양한 분류 문제를 해결하는 데 사용할 수 있습니다.

로지스틱 회귀는 일반적으로 이진 대상 변수가 있는 상황을 처리하는 데 사용되지만 다른 유형의 대상 변수에도 적용될 수 있습니다. 로지스틱 회귀 분석은 범주 수에 따라 여러 범주로 나눌 수 있습니다.

이항 또는 이항은 종속 변수에 1 또는 0의 두 가지 잠재적 값만 있는 분류 형식입니다. 이러한 변수는 성공 또는 실패, 예 또는 아니요 등을 나타낼 수 있습니다.

다항식: 이 분류 유형의 종속 변수는 "클래스 A", "클래스 B" 또는 "클래스 C"와 같이 순서가 지정되지 않은 3개 이상의 범주를 가질 수 있습니다. 이러한 범주는 정량적 의미가 없으며 서로 다른 범주를 구별하는 데만 사용됩니다.

서수: 이 분류에서 종속 변수는 세 개 이상의 잠재적으로 정렬된 범주 또는 양적 유의성 유형을 가질 수 있습니다. 예를 들어 이러한 변수는 "나쁨" 또는 "좋음", "매우 좋음" 또는 "우수함"을 의미할 수 있으며 점수 범위는 0~2입니다.

기계 학습의 로지스틱 회귀 가정

로지스틱 회귀를 살펴보기 전에 다음 관련 가정을 이해해야 합니다.

• 이항 로지스틱 회귀 분석의 대상 변수는 항상 이진이어야 하며 예상 결과는 요인 수준 1로 표시됩니다.
• 모델에는 다중 공선성이 있어서는 안 됩니다. 이는 독립 변수가 서로 독립적이어야 함을 나타냅니다.
• 모델에는 관련 변수가 포함되어 있어야 합니다.

위 내용은 머신러닝에 로지스틱 회귀 적용의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!