লজিস্টিক রিগ্রেশন হ'ল রিগ্রেশন, প্রথম এবং সর্বাগ্রে। সিদ্ধান্তের নিয়ম যুক্ত করে এটি শ্রেণিবদ্ধ হয়ে ওঠে। আমি একটি উদাহরণ দেব যা পিছনে যায়। এটি হ'ল ডেটা নেওয়ার পরিবর্তে এবং কোনও মডেল ফিট করার পরিবর্তে, আমি কীভাবে এটি সত্যিকারের একটি রিগ্রেশন সমস্যা তা দেখানোর জন্য মডেলটি দিয়ে শুরু করব start
লজিস্টিক রিগ্রেশন-এ, আমরা লগ প্রতিক্রিয়াগুলি বা লগিটকে মডেলিং করছি, এমন একটি ঘটনা ঘটে যা একটি ধারাবাহিক পরিমাণ। যদি ইভেন্ট এর সম্ভাবনা থাকে তবে তা পি ( এ ) হয় তবে প্রতিক্রিয়াগুলি হ'ল :একজনপি( ক )
পি( ক )1 - পি( ক )
লগের মতভেদগুলি হ'ল:
লগ( পি( ক )1 - পি( ক ))
লিনিয়ার রিগ্রেশন হিসাবে, আমরা সহগ এবং ভবিষ্যদ্বাণীকের একটি লিনিয়ার সংমিশ্রণ সহ এটি মডেল করি:
লজিট = খ0+ খ1এক্স1+ খ2এক্স2+ + ⋯
কল্পনা করুন যে কোনও ব্যক্তির ধূসর চুল আছে কিনা সে সম্পর্কে আমাদের একটি মডেল দেওয়া হয়েছে। আমাদের মডেল বয়সকে একমাত্র ভবিষ্যদ্বাণী হিসাবে ব্যবহার করে। এখানে, আমাদের ইভেন্ট এ = একজন ব্যক্তির ধূসর চুল রয়েছে:
ধূসর চুলের লগ প্রতিক্রিয়া = -10 + 0.25 * বয়স
... রিগ্রেশন! এখানে কিছু পাইথন কোড এবং একটি প্লট রয়েছে:
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
x = np.linspace(0, 100, 100)
def log_odds(x):
return -10 + .25 * x
plt.plot(x, log_odds(x))
plt.xlabel("age")
plt.ylabel("log odds of gray hair")
পি( ক )
পি( ক ) = 11 + এক্সপ্রেস( - লগ প্রতিক্রিয়া ) )
কোডটি এখানে:
plt.plot(x, 1 / (1 + np.exp(-log_odds(x))))
plt.xlabel("age")
plt.ylabel("probability of gray hair")
পি( ক ) > ০.০
লজিস্টিক রিগ্রেশন আরও বাস্তববাদী উদাহরণগুলিতে শ্রেণিবদ্ধ হিসাবে দুর্দান্ত কাজ করে, তবে এটি শ্রেণিবদ্ধ হওয়ার আগে এটি অবশ্যই একটি রিগ্রেশন কৌশল হতে পারে!