مقابل الانحدار الخطي. الانحدار اللوجستي: الفرق بين الانحدار الخطي والانحدار اللوجستي

لن يكتمل عالم التعلم الآلي بدون وجود اثنين من أبسط خوارزميات التعلم الآلي. نعم ، يعد كل من الانحدار الخطي والانحدار اللوجستي من أكثر خوارزميات التعلم الآلي التي يمكنك تنفيذها مباشرة. قبل مناقشة أي من الاختلافات بين الانحدار الخطي واللوجستي ، يجب أولاً أن نفهم الأساسيات التي تم وضع أساس كل من هذه الخوارزميات عليها.

أولاً ، كل من هذه الخوارزميات تخضع للإشراف في التعلم في الطبيعة. بمعنى ، يجب أن تكون البيانات التي ستقدمها في كل من هذه الخوارزميات مصنفة جيدًا. شيء مهم آخر يجب ملاحظته هو حالات الاستخدام. بعيدًا عن الخفاش ، هناك اختلاف صارخ بين هاتين الخوارزميتين وهو حالات استخدام كلاهما. يُستخدم الانحدار الخطي كلما أردنا إجراء الانحدار. بمعنى ، نستخدم الانحدار الخطي عندما نريد توقع أرقام مستمرة ، مثل أسعار المنازل في منطقة معينة.

ومع ذلك ، فإن استخدام الانحدار اللوجستي يتم في مشاكل التصنيف. بمعنى ، إذا أردنا التنبؤ بما إذا كان منزل معين باهظ الثمن أو غير مكلف (بدلاً من السعر) ، فإننا نستخدم خوارزمية الانحدار اللوجستي. نعم ، على الرغم من أن الانحدار اللوجستي يحتوي على كلمة الانحدار في اسمه ، إلا أنه يُستخدم للتصنيف.

هناك المزيد من التفاصيل الدقيقة المثيرة التي ستجدها مدرجة أدناه. ولكن قبل مقارنة الانحدار الخطي مقابل الانحدار اللوجستي ، دعونا أولاً نتعلم المزيد عن كل من هذه الخوارزميات.

الانحدارالخطي

الانحدار الخطي هو أسهل وأبسط خوارزمية للتعلم الآلي للفهم والنشر. إنها خوارزمية تعلم خاضعة للإشراف ، لذلك إذا أردنا التنبؤ بالقيم المستمرة (أو إجراء الانحدار) ، فسيتعين علينا خدمة هذه الخوارزمية بمجموعة بيانات جيدة التسمية. تعد خوارزمية التعلم الآلي هذه أكثر وضوحًا بسبب طبيعتها الخطية. للتنبؤ بنجاح بالقيم المستقبلية ، يحاول الانحدار الخطي الوصول إلى خط مستقيم من خلال البيانات التي يتم إدخالها في الخوارزمية.

لذلك ، كلما تم إدخال أي معلومات في خوارزمية الانحدار الخطي ، فإنها تأخذ البيانات وتأخذ معادلة الخط المستقيم ، وتختار بشكل عشوائي الميل والتقاطع حتى تجد الخط الأنسب. إذا كانت البيانات التي نقوم بإدخالها في هذه الخوارزمية تحتوي فقط على متغير مستقل واحد ، فإنه يسمى الانحدار الخطي البسيط.

من ناحية أخرى ، إذا كانت البيانات تحتوي على متغيرات مستقلة متعددة ، فإن الانحدار يصبح انحدارًا خطيًا متعددًا. الشكل الرياضي للانحدار الخطي هو ببساطة شكل الخط المستقيم ، كما هو موضح أدناه.

ص = أ 0 + أ 1 س + ج

هنا ، y هو المتغير التابع ، a0 و a1 هو المعامل الذي تم تكليف هذه الخوارزمية بإيجاده ، x هو المتغير التابع ، و c هي قيمة التقاطع لهذا الخط المستقيم.

الانحدار اللوجستي

لا داعي للقول إن الانحدار اللوجستي هو أحد خوارزميات التعلم الآلي الأكثر وضوحًا لكنها قوية جدًا في التصنيف تحت مظلة خوارزمية تعلم خاضعة للإشراف. يمكن استخدام هذه الخوارزمية لمشاكل الانحدار ، ولكنها تستخدم في الغالب لحل مشاكل التصنيف بدلاً من ذلك. دائمًا ما يكون الناتج الذي نحصل عليه من هذه الخوارزمية بين 0 و 1 ، مما يجعل من السهل تصنيف الحالات إلى فئات باستخدام قيمة تصنيف العتبة.

كلمة لوجستية في الاسم تشير إلى وظيفة التنشيط ، والتي تستخدم في هذا الانحدار. وظيفة التنشيط أو الوظيفة اللوجستية ، في هذه الحالة ، ليست في الواقع سوى وظيفة السيني. إنها خاصية هذه الدالة السينية ، والتي تحافظ على قيمة الانحدار اللوجستي دائمًا بين صفر وواحد. تبدو الدالة السينية كما يلي:

هنا ، y هو الناتج من خلال الدالة السينية ، و x هو المتغير المستقل. في حالة الانحدار اللوجستي ، سيكون المتغير x هو في الواقع معادلة الانحدار الخطي بأكملها. ومن ثم يمكن تطوير معادلة الانحدار اللوجستي ، وهي مكتوبة أدناه:

هنا ، يشبه معنى المتغيرات المعنى الموجود في الانحدار اللوجستي ، و x هو المتغير المستقل ، و y هو المتغير التابع ، و b0 ، و b1 ، و b2 ، وما إلى ذلك ، هي المعامل الذي تحدده هذه الخوارزمية.

الفرق بين الانحدار الخطي واللوجستي

المدرجة أدناه ، ستجد مقارنة شاملة للانحدار الخطي مقابل الانحدار اللوجستي جنبًا إلى جنب:

تريد معرفة المزيد؟

إذا كنت مهتمًا بمعرفة المزيد حول التعلم الآلي ، فراجع دبلوم PG في IIIT-B & upGrad في التعلم الآلي والذكاء الاصطناعي المصمم للمهنيين العاملين ويقدم أكثر من 450 ساعة من التدريب الصارم ، وأكثر من 30 دراسة حالة ومهمة ، IIIT- حالة الخريجين B ، أكثر من 5 مشاريع تتويجا عملية ومساعدة وظيفية مع أفضل الشركات.