Das logistische Regressionsmodell selbst modelliert einfach die Wahrscheinlichkeit des Outputs in Bezug auf den Input und führt keine statistische Klassifizierung durch (es ist kein Klassifikator), obwohl es zur Erstellung verwendet werden kann ein Klassifikator, zum Beispiel durch Auswahl eines Grenzwerts und Klassifizierung von Eingaben mit einer Wahrscheinlichkeit größer als der Grenzwert als eins …
Wie kann die logistische Regression als Klassifikator verwendet werden?
Die logistische Regression ist ein einfacher, aber sehr effektiver Klassifikationsalgorithmus und wird daher häufig für viele binäre Klassifikationsaufgaben verwendet. … Das logistische Regressionsmodell verwendet eine lineare Gleichung als Eingabe und verwendet eine logistische Funktion und logarithmische Quoten, um eine binäre Klassifizierungsaufgabe auszuführen.
Ist die logistische Regression eine Klassifikation oder eine Regression?
Logistische Regression ist ein Klassifikationsalgorithmus, der verwendet wird, um Beobachtungen einem diskreten Satz von Klassen zuzuordnen. Einige der Beispiele für Klassifizierungsprobleme sind E-Mail-Spam oder kein Spam, Online-Transaktionen Betrug oder nicht Betrug, bösartiger oder gutartiger Tumor.
Warum ist die logistische Regression ein Klassifikator?
Logistische Regression ist im Grunde ein überwachter Klassifikationsalgorithmus. Bei einem Klassifizierungsproblem kann die Zielvariable (oder Ausgabe) y nur diskrete Werte für einen gegebenen Satz von Merkmalen (oder Eingaben) X annehmen. Entgegen der landläufigen Meinung ist die logistische Regression ein Regressionsmodell.
Ist die logistische Regression ein linearer Klassifikator?
Logistische Regression wurde traditionell als linearer Klassifikator verwendet, d.h. wenn die Klassen im Merkmalsraum durch lineare Grenzen getrennt werden können. Dem kann aber abgeholfen werden, wenn wir zufällig eine bessere Vorstellung von der Form der Entscheidungsgrenze haben… … Die Entscheidungsgrenze ist also linear.
