ML | Линейная регрессия против логистической регрессии

Опубликовано: 22 Июля, 2021

Линейная регрессия - это алгоритм машинного обучения, основанный на алгоритме контролируемой регрессии . Регрессия моделирует целевое значение прогноза на основе независимых переменных. В основном он используется для выяснения взаимосвязи между переменными и прогнозирования. Различные модели регрессии различаются в зависимости от - типа отношений между зависимыми и независимыми переменными, которые они рассматривают, и количества используемых независимых переменных.
Логистическая регрессия - это, по сути, алгоритм классификации с учителем. В задаче классификации целевая переменная (или выходные данные) y может принимать только дискретные значения для заданного набора функций (или входных данных) X.

Линейная регрессия Логистическая регрессия
Линейная регрессия - это модель регрессии с учителем. Логистическая регрессия - это модель классификации с учителем.
В линейной регрессии мы прогнозируем значение целым числом. В логистической регрессии мы прогнозируем значение на 1 или 0.
Здесь не используется функция активации. Здесь функция активации используется для преобразования уравнения линейной регрессии в уравнение логистической регрессии.
Здесь пороговое значение не требуется. Здесь добавляется пороговое значение.
Здесь мы вычисляем среднеквадратическую ошибку (RMSE), чтобы предсказать следующее значение веса. Здесь мы используем точность, чтобы предсказать следующее значение веса.
Здесь зависимая переменная должна быть числовой, а переменная ответа непрерывна для значения. Здесь зависимая переменная состоит всего из двух категорий. Логистическая регрессия оценивает вероятность исхода зависимой переменной с учетом набора количественных или категориальных независимых переменных.
Он основан на оценке методом наименьших квадратов. Он основан на оценке максимального правдоподобия.
Здесь, когда мы строим наборы обучающих данных, можно провести прямую линию, которая касается максимального количества графиков. Любое изменение коэффициента приводит к изменению как направления, так и крутизны логистической функции. Это означает, что положительные наклоны приводят к S-образной кривой, а отрицательные наклоны приводят к Z-образной кривой.
Линейная регрессия используется для оценки зависимой переменной в случае изменения независимых переменных. Например, спрогнозируйте цены на дома. В то время как логистическая регрессия используется для расчета вероятности события. Например, классифицируйте, является ли ткань доброкачественной или злокачественной.
Линейная регрессия предполагает нормальное или гауссовское распределение зависимой переменной. Логистическая регрессия предполагает биномиальное распределение зависимой переменной.