การถดถอยแบบโลจิสติก

แทนที่จะคาดการณ์ 0 0 หรือ 1 อย่างชัดเจน การถดถอยแบบโลจิสติกส์จะทําให้เกิดความน่าจะเป็นที่มีค่าระหว่าง 0 ถึง 1 เช่น ลองพิจารณาโมเดลการเกิดปัญหาซ้ําสําหรับการตรวจหาสแปม ถ้าโมเดลมีการอนุมานค่า 0.932 ในข้อความอีเมลหนึ่ง ก็แสดงว่ามีความเป็นไปได้ 93.2% ที่ข้อความอีเมลเป็นสแปม กล่าวอย่างเจาะจงก็คือ ในส่วนของตัวอย่างการฝึกแบบไม่จํากัดนั้น ชุดตัวอย่างที่โมเดลคาดการณ์ 0.932 จะเป็นสแปม 93.2% จากจํานวนครั้งทั้งหมด และ 6.8% ที่เหลือจะไม่ทําเช่นนั้น

เวลาโดยประมาณ: 4 นาที

วัตถุประสงค์การเรียนรู้

• ทําความเข้าใจการถดถอยแบบโลจิสติก
• สํารวจฟังก์ชันการสูญเสียและปรับให้เป็นมาตรฐานสําหรับการถดถอยแบบโลจิสติก

การถดถอยแบบโลจิสติก

ทํานายเบ็ดเตล็ด

• ลองนึกถึงปัญหาในการคาดการณ์ความน่าจะเป็นของ Heads สําหรับเหรียญงอ
• คุณอาจใช้ฟีเจอร์ต่างๆ เช่น มุมโค้ง มวลเหรียญ ฯลฯ
• รูปแบบที่ง่ายที่สุดที่คุณใช้ได้คืออะไร
• จะมีอะไรผิดพลาดบ้าง

การถดถอยแบบโลจิสติก

• หลายปัญหาจําเป็นต้องใช้ค่าประมาณความน่าจะเป็นเป็นเอาต์พุต
• ป้อนการถดถอยแบบโลจิสติกส์

การถดถอยแบบโลจิสติก

• หลายปัญหาจําเป็นต้องใช้ค่าประมาณความน่าจะเป็นเป็นเอาต์พุต
• ป้อนการถดถอยแบบโลจิสติกส์
• มีประโยชน์เนื่องจากการประมาณความน่าจะเป็นมีการปรับเทียบ
  • เช่น p(เฮาส์จะขาย) * ราคา = ผลลัพธ์ที่คาดหวัง

การถดถอยแบบโลจิสติก

• หลายปัญหาจําเป็นต้องใช้ค่าประมาณความน่าจะเป็นเป็นเอาต์พุต
• ป้อนการถดถอยแบบโลจิสติกส์
• มีประโยชน์เนื่องจากการประมาณความน่าจะเป็นมีการปรับเทียบ
• เช่น p(เฮาส์จะขาย) * ราคา = ผลลัพธ์ที่คาดหวัง
• และมีประโยชน์ในกรณีที่เราต้องการการจัดประเภทไบนารี
  • เป็นสแปมหรือไม่ → p(สแปม)

การถดถอยแบบโลจิสติกส์ - การคาดการณ์

$$ y' = \frac{1}{1 + e^{-(w^Tx+b)}} $$

\(\text{Where:} \) \(x\text{: Provides the familiar linear model}\) \(1+e^{-(...)}\text{: Squish through a sigmoid}\)

กําหนดโดย LogLoss

$$ LogLoss = \sum_{(x,y)\in D} -y\,log(y') - (1 - y)\,log(1 - y') $$

การถดถอยแบบโลจิสติกและการปรับให้สอดคล้องตามมาตรฐาน

• การปรับให้สอดคล้องตามข้อกําหนดนั้นเป็นสิ่งที่สําคัญอย่างยิ่งในการถดถอยแบบโลจิสติก
• จดจําอุปสรรค
• ระบบจะพยายามเพิ่มการสูญเสียเป็น 0 ในมิติข้อมูลระดับสูงต่อไป

การถดถอยแบบโลจิสติกและการปรับให้สอดคล้องตามมาตรฐาน

• การปรับให้สอดคล้องตามข้อกําหนดนั้นเป็นสิ่งที่สําคัญอย่างยิ่งในการถดถอยแบบโลจิสติก
• จดจําอุปสรรค
• ระบบจะพยายามเพิ่มการสูญเสียเป็น 0 ในมิติข้อมูลระดับสูงต่อไป
• กลยุทธ์ 2 ข้อที่มีประโยชน์อย่างยิ่งมีดังนี้
• L₂ การปรับให้เป็นมาตรฐาน (ที่รู้จักกันในชื่อ L₂ น้ําหนักที่ลดลง) - ทําให้น้ําหนักลดลงอย่างมาก
• การหยุดกลางคัน - การจํากัดขั้นตอนการฝึกอบรมหรืออัตราการเรียนรู้

การถดถอยแบบโลจิสติกส์เชิงเส้น

• การถดถอยแบบโลจิสติกส์เชิงเส้นมีประสิทธิภาพมาก
• เวลาการฝึกและการคาดการณ์ที่เร็วมาก
• โมเดลขนาดสั้น / กว้างใช้ RAM จํานวนมาก

เสียงพากย์สําหรับการบรรยายวิดีโอนี้สร้างขึ้นโดยใช้เทคนิคแมชชีนเลิร์นนิง โปรดช่วยเราปรับแต่งเทคโนโลยีเสียงพากย์ คลิก "ส่งความคิดเห็น" ด้านบนเพื่อส่งรายงานข้อบกพร่องและคําแนะนํา

หากต้องการเปลี่ยนเป็นเสียงภาษาอังกฤษ ให้เลือกภาษาอังกฤษจากเมนูแบบเลื่อนลงที่ด้านซ้ายล่างของหน้าเว็บ

หากวิดีโอไม่แสดง

โปรดดูหน้าชุมชน สําหรับความช่วยเหลือในการแก้ปัญหา

ศูนย์ช่วยเหลือ