기계 학습의 로지스틱 회귀 설명

로지스틱 회귀란 무엇입니까?

로지스틱 회귀는 기계 학습 모델의 한 유형입니다. 기계 학습 모델의 두 가지 유형(회귀 및 분류)에서 이름은 회귀 모델임을 나타내지만 분류 알고리즘입니다.

지수 함수의 일종인 로지스틱 함수에서 이름을 따왔습니다. 이 함수는 S자 곡선(시그모이드 곡선이라고도 함)이 특징입니다.

따라서 로지스틱 회귀 모델은 다음과 같이 그래프에 표시할 때 S자 모양의 곡선을 생성합니다.



그림 2: 그래프로 나타낼 때의 로지스틱 회귀 모델

로지스틱 회귀에 대한 중요한 사항은 다음과 같습니다.

로지스틱 회귀는 단일 이진 출력 변수가 있는 분류 ML 문제를 위한 것입니다. 다른 유형의 출력 변수가 있는 기계 학습 문제는 예측 모델링 목적으로 로지스틱 회귀를 사용해서는 안 됩니다

.

로지스틱 회귀 알고리즘은 둘 다 예측 분석 알고리즘이라는 점에서 선형 회귀 알고리즘과 유사하지만 로지스틱 회귀에서는 상대적으로 단순한 선형 함수 대신 더 복잡한 시그모이드 함수를 사용합니다

.

선형 회귀는 숫자 출력 값을 생성하는 반면 로지스틱 회귀는 이진 출력 값(0 또는 1)을 생성합니다

로지스틱 회귀는 기술적으로 분류 알고리즘이지만 회귀 알고리즘 측면에서 확률을 예측합니다. 확률이 이진 값(0 또는 1)으로 변환되기만 하면 됩니다

.

로지스틱 회귀는 사용 가능한 교육 데이터

에서 로지스틱 회귀에 대한 계수(베타 값 b)를 추정하기 위해 다른 기계 학습 알고리즘Maximum-likelihood estimation을 사용합니다.

로지스틱 회귀 및 선형 회귀는 동일한 데이터 준비 방법을 공유합니다

.

R에서 로지스틱 회귀의 예

다음은 로지스틱 회귀 모델의 사용을 보여주는 R 프로그래밍 언어의 코드 스니펫입니다.

library(ggplot2)
library(cowplot)

url <- "http://archive.ics.uci.edu/ml/machine-learning-databases/heart-disease/processed.cleveland.data"

data <- read.csv(url, header=FALSE)

...

logistic <- glm(hd ~ ., data = data, family = "binomial")

...

predicted.data <- data.frame(
  probability.of.hd=logistic$fitted.values,
  hd=data$hd)

predicted.data <- predicted.data[
  order(predicted.data$probability.of.hd, decreasing=FALSE),]
predicted.data$rank <- 1:nrow(predicted.data)

ggplot(data=predicted.data, aes(x=rank, y=probability.of.hd)) +
  geom_point(aes(color=hd)) +
  xlab("Index") +
  ylab("Predicted probability of getting heart disease")

위의 코드 스니펫은 StatQuest with Josh Starmer 에서 가져온 것이며 이 코드의 전체 버전은 여기GitHub link에서 찾을 수 있습니다.

이제 위 코드 스니펫의 전체 버전을 실행하여 생성된 그래프는 다음과 같습니다.



그림 3: R 프로그래밍 언어를 사용하여 그래프로 나타낸 로지스틱 회귀

다음은 위의 그래프에서 주목할 만한 몇 가지 사항입니다.

로지스틱 회귀 그래프의 Y축 범위는 항상 0과 1 사이입니다. 이는 종속변수(심장병에 걸릴 확률 예측)가 불연속적이기 때문입니다

.

청록색 데이터 포인트는 이미 심장 질환이 있는 환자를 나타냅니다. 연한 빨간색 데이터 포인트는 과거 심장병 병력이 없는 환자를 나타냅니다

.

x축 값 '순위'는 data.frame의 297명의 환자 각각이 심장 질환을 앓을 가능성을 나타내며 순위가 높을수록 심장 질환

에 걸릴 가능성이 높음을 나타냅니다.

이것이 기계 학습의 로지스틱 회귀에 대한 이 블로그 게시물의 전부입니다. 도움이 되었기를 바랍니다.

결론

이 블로그 게시물을 읽어주셔서 감사합니다!

질문이나 우려 사항이 있는 경우 언제든지 이 게시물에 의견을 게시하고 시간을 찾으면 다시 연락드리겠습니다.

이 기사가 도움이 되었다면 공유하고 GitHub에서 저를 팔로우하고 저와 연결하고 제 를 구독하십시오.