Logistische Regression

Geschätzte Modullänge: 35 Minuten

Lernziele

• Anwendungsfälle für die Durchführung einer logistischen Regression identifizieren
• Erläutern Sie, wie in logistischen Regressionsmodellen die Sigmoidfunktion zur Berechnung der Wahrscheinlichkeit verwendet wird.
• Lineare und logistische Regression vergleichen
• Erläutern Sie, warum bei der logistischen Regression der Logarithmus der Verlustfunktion anstelle des quadrierten Verlusts verwendet wird.
• Erläutern Sie die Bedeutung der Regularisierung beim Trainieren von Modellen für die logistische Regression.

Voraussetzungen:

In diesem Modul wird davon ausgegangen, dass Sie mit den Konzepten der folgenden Module vertraut sind:

• Einführung in maschinelles Lernen
• Lineare Regression

Im Linearen Regressionsmodul haben Sie erfahren, wie Sie ein Modell erstellen, um kontinuierliche numerische Vorhersagen zu machen, z. B. die Kraftstoffeffizienz eines Autos. Was aber, wenn Sie ein Modell erstellen möchten, um Fragen wie „Wird es heute regnen?“ oder „Ist diese E-Mail Spam?“ zu beantworten?

In diesem Modul wird ein neues Regressionsmodell namens logistische Regression vorgestellt, mit dem die Wahrscheinlichkeit eines bestimmten Ergebnisses vorhergesagt werden kann.

Wichtige Begriffe:

• Logistische Regression

Hilfe