#author("2020-07-08T20:07:17+09:00;2020-07-08T13:05:19+09:00","default:inoue.ko","inoue.ko") *ロジスティック回帰 Logistic Regression ~ ***概要(教師あり|分類) ロジスティック回帰とは、線形回帰分析を分類問題に応用したアルゴリズムで、例えば、商品を購入するか否か、衝突するか否か、採用すべきか否かなどの2値分類を、0から1の範囲の確率を示す[[ロジスティック関数>GoogleImage:ロジスティック関数]]を用いて推測します。 ロジスティック関数:σSUB{a};(x) = 1 / ( 1 + eSUP{-ax}; ) 2値分類(0:陰性 or 1:陽性)の場合、予測確率 0.5 をしきい値としてクラス分けを行います。確率0.2 であれば予測値は「 0」、確率が 0.85 であれば予測値は「1」と分類するわけです。ちなみに、確率がちょうど 0.5 となる境目の部分を「決定境界」といいます。 //学習では「ロジスティック損失」というものを誤差関数として、これが最小になるように学習させます。 ~ ***用語解説 ~ ***プログラム例 (準備中) //以下に、3値分類の線形回帰のサンプルを掲載しています。 //ipynb(JupyterNotebook)形式で、GitHubに置いていますが、レンダリングがタイムアウトする場合は、下の nbviewer 経由でご覧下さい。 //-GitHub:[[LogisticRegression.ipynb>https://github.com/koichi-inoue/JupyterNotebook/blob/master/LogisticRegression.ipynb]] //-nbviewer:[[LogisticRegression.ipynb>https://nbviewer.jupyter.org/github/koichi-inoue/JupyterNotebook/blob/master/LogisticRegression.ipynb]] //-このプログラム例では、ガクの長さ(sepal length)、花弁の長さ(petal length) のみ使用して、3品種の分類を行なっています。 -使用したライブラリ --pandas:データ解析 --matplotlib:グラフ描画 --sklearn:ロジスティック回帰 -使用したモデル scikit-learn、linear_model の [[LogisticRegressionモデル>https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html]]を使用 --fitメソッド:ロジスティック回帰モデルの重みを学習 --predictメソッド:説明変数の値からクラスを予測 -使用したデータ:iris(sklearn) ~ ~ ~ ~