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. |