12,504
回編集
差分
ナビゲーションに移動
検索に移動
→ロジスティック回帰(logistic regression)
----
*特徴の線形結合の値に基づいて分類を行う確率的分類器である。機械学習において、分類は項目群を特徴値に基づいてグループに分類することを目的とする
*パーセプトロンアルゴリズムは、完全な線形分類が不可能なデータセットでは決して収束しないため、一般に実務データ解析で推奨されない
===[https://ja.wikipedia.org/wiki/%E3%83%91%E3%83%BC%E3%82%BB%E3%83%97%E3%83%88%E3%83%AD%E3%83%B3 パーセプトロン]===
*パーセプトロンのような単位ステップ関数ではなく、線形活性化関数に基づいて重みを更新する
[[File:adaline02.png|300px]] [[File:adaline01.png|300px]]
===ロジスティック回帰(logistic regression)===
----
*線形分類問題と二値分類問題に対する単純ながら強力なアルゴリズムの一つ
*名前とは裏腹に怪奇ではなく分類のためのモデル
*非常に実装しやすく、線形分離可能なクラスでは非常に性能が良い
*産業界において最も広く使われている分類アルゴリズムの1つ
====オッズ比====
*確率<math>p</math>の場合、事象の起こりやすさをオッズ比（odds ratio)として、<math>\tfrac{p}{(1-p)}</math>と書くことができる
*<math>p</math>は、正事象(positive event 予測したい事象)を表す
*オッズの対数を取ったものを、[https://mathwords.net/logitkansu ロジット(logit)関数]という。
<math>
logit(p) = log\frac{p}{(1 - p)}
</math>
*ロジット関数の逆関数は、ロジスティックシグモイド(logistic sigmoid)関数とも呼ばれる。
<math>
\phi(z) = \frac{1}{(1 + e^{-z})}
</math>
==scikit-learn==
© 2006 矢木浩人
