로지스틱 회귀: Difference between revisions
From IT Wiki
(로지스틱 회귀 분석에 대한 넘겨주기를 제거함) Tag: Removed redirect |
No edit summary |
||
| Line 1: | Line 1: | ||
[[분류:데이터 과학]] | [[분류:데이터 과학]] | ||
'''Logistic Regression''' | |||
로지스틱 회귀는 이진 분류 문제를 해결하는 데 많이 사용되는 통계 및 머신러닝 기법이다. 이 알고리즘은 독립 변수들의 선형 조합을 통해 결과 변수(종속 변수)가 특정 클래스에 속할 확률을 예측한다. 주로 0 또는 1로 레이블된 이진 분류에서 활용되지만, 다중 클래스 확장도 가능하다. | |||
== 사용 함수 == | *'''로지스틱''': 합격/불합격, 성공/실패, 생존/사망, 진실/거짓 등 이분법적인 결과를 도출하기 위한 경우 | ||
*'''회귀분석''': 과거의 추세를 기반으로 미래 예측 | |||
**로지스틱 회귀분석은 종속변수가 범주형이므로, 분류모델에 더 가까움 | |||
==사용 함수== | |||
{| class="wikitable" | {| class="wikitable" | ||
|- | |- | ||
! 함수 !! 모양 | !함수!!모양 | ||
|- | |- | ||
| 시그모이드 | |시그모이드 | ||
1/(1+e^(-x)) | 1/(1+e^(-x)) | ||
|| | || | ||
[[파일:Sigmoid.png|400px]] | [[파일:Sigmoid.png|400px]] | ||
|- | |- | ||
| 하이퍼볼릭 탄젠트 | |하이퍼볼릭 탄젠트 | ||
tanh(x) | tanh(x) | ||
|| | || | ||
[[파일:Tanh.png|400px]] | [[파일:Tanh.png|400px]] | ||
|} | |} | ||
== 회귀분석의 종류 == | ==회귀분석의 종류== | ||
* 단순회귀분석: 독립변수 1개 | *단순회귀분석: 독립변수 1개 | ||
* 다중회귀분석: 독립변수 2개 이상 | *다중회귀분석: 독립변수 2개 이상 | ||
== 장점과 단점 == | |||
* '''장점''': 구현이 간단하며, 해석하기 쉬운 모델이다. | |||
** 과적합 위험이 비교적 낮고, 이진 분류에 효과적이다. | |||
* '''단점''': 선형 관계가 없는 데이터에서는 성능이 떨어진다. | |||
** 다중 클래스 문제에서 직접 적용하기 어려워 소프트맥스 회귀와 같은 다른 기법이 필요합니다. | |||
== 같이 보기 == | ==같이 보기== | ||
* [[회귀 분석]] | *[[회귀 분석]] | ||
* [[선형 회귀]] | *[[선형 회귀]] | ||
Revision as of 11:44, 31 October 2024
Logistic Regression
로지스틱 회귀는 이진 분류 문제를 해결하는 데 많이 사용되는 통계 및 머신러닝 기법이다. 이 알고리즘은 독립 변수들의 선형 조합을 통해 결과 변수(종속 변수)가 특정 클래스에 속할 확률을 예측한다. 주로 0 또는 1로 레이블된 이진 분류에서 활용되지만, 다중 클래스 확장도 가능하다.
- 로지스틱: 합격/불합격, 성공/실패, 생존/사망, 진실/거짓 등 이분법적인 결과를 도출하기 위한 경우
- 회귀분석: 과거의 추세를 기반으로 미래 예측
- 로지스틱 회귀분석은 종속변수가 범주형이므로, 분류모델에 더 가까움
사용 함수
| 함수 | 모양 |
|---|---|
| 시그모이드
1/(1+e^(-x)) |
|
| 하이퍼볼릭 탄젠트
tanh(x) |
|
회귀분석의 종류
- 단순회귀분석: 독립변수 1개
- 다중회귀분석: 독립변수 2개 이상
장점과 단점
- 장점: 구현이 간단하며, 해석하기 쉬운 모델이다.
- 과적합 위험이 비교적 낮고, 이진 분류에 효과적이다.
- 단점: 선형 관계가 없는 데이터에서는 성능이 떨어진다.
- 다중 클래스 문제에서 직접 적용하기 어려워 소프트맥스 회귀와 같은 다른 기법이 필요합니다.
