Skip to main content
Ramin Khavarzadeh Data, signals, interpretation — and what may come next
Statistics and data · Ramin Khavarzadeh · · 1 min read

آموزش – معرفی Logistic regression در داده کاوی

آموزش – معرفی Logistic regression در داده کاوی

Table of contents

    how-use-big-data-secure-big-data-in-the-cloud-404x227

    آموزش – معرفی Logistic regression در داده کاوی

    رگرسیون منطقی یک حالت عمومی تر از رگرسیون خطی می باشد.قبلا این روش برای پیش بینی مقادیر binary یا متغیرهای دارای چند مقدار گسسته (کلاس) استفاده می شد. از آنجایی که مقادیر مورد نظر برای پیش بینی مقادیر گسسته می باشند نمی توان آنرا به روش رگرسیون خطی مدلسازی کرد برای این منظور این متغیرهای گسسته را به روشی تبدیل به متغیر عددی و پیوسته می کنیم وبرای این منظور مقدار لگاریتم احتمال متغیر مربوطه را در نظر می گیریم و برای این منظور احتمال پیشامد را بدین صورت در نظر می گیریم :
    احتمال اتفاق نیفتادن پیشامد/ احتمال اتفاق افتادن پیشامد Capture و تفسیر این نسبت مانند تفسیری است که در بسیاری از مکالمات روزمره در مورد مسابقات یا شرط بندی ها در موارد مشابه به کار می رود. مثلا وقتی می گوییم شانس بردن یک تیم در مسابقه ۳ به ۱ است در واقع از همین نسبت استفاده کرده و معنی آن این است که احتمال برد آن تیم ۷۵% است. وقتی که ما موفق شدیم لگاریتم احتمال مورد نظر را بدست آوریم با اعمال لگاریتم معکوس می توان نسبت مورد نظر و از روی آن کلاس مورد نظر را مشخص نمود
    منبع :

    ویکی

    Share:

    comments

    No comments yet — be the first.

    Post comment