"Enter"a basıp içeriğe geçin

Logistic Regression

Logistic Regression isminden ötürü her ne kadar bir regresyon modeli gibi dursa da aslında yine bir sınıflandırma (classification) modelidir. Yani sınırlı sayıda durum içerisinden birini seçmeye yarar.

Yine basitçe incelemek gerekirse logistic regression’da amaç farklı durumlar/sınıflar arasında sınır çizmeye çalışır. Aslında tüm sınıflandırma modellerinin yaptığı iş de budur fakat farklı yöntemlerle bu sınırları öğrenmeye çalışırlar.

Genel olarak bahsetmek gerekirse sınıflandırma ya da regresyon olsun tüm modeller için önceki yazılarda da bahsedildiği üzere bir hata fonksiyonu tanımlanır ve bu hata fonksiyonunun verdiği değer minimize edilmeye çalışılır. Bunu yaparken başka önemli kriterlere de dikkat edilir ancak yazımızın konusu bu değil. İleri aşamalarda bunları da öğreneceğiz.

Logistic Regression durumlar/sınıflar arasında diğer modellerin yaptığı gibi rastgele bir sınır çizer ve sınırın belirlediğine göre yanlış tarafında olanlara yüksek ceza (large penalty) , doğru tarafında olanlara ise düşük ceza (small penalty) verir. Daha sonra sınır için çizdiği doğruyu hareket ettirerek toplam ceza miktarını (total error) azaltmaya çalışır. Bu önceki yazılarda da öğrendiğimiz gibi Gradient Descent ile yapılır. Yani hatanın azaldığı yönde belirlediğimiz adım büyüklüğü ile ilerleyerek.

Adım büyüklüğü (learning rate) tek başına bir en iyileme (optimization) konusudur. Büyük adım hata fonksiyonu yüzeyinde lokal minimayı (yani hatanın en düşük olduğu noktayı) kaçırmamıza sebep olabilecekken küçük adımlar öğrenme süresini uzatacaktır.

Aşağıdaki görsel serisi ile logistic regression modelinin çalışma prensibini daha iyi kavrayabilirsiniz.

Keyifli öğrenmeler 🙂

İlk Yorumu Siz Yapın

Bir Cevap Yazın

Translate »
%d blogcu bunu beğendi: