線形回帰対。 ロジスティック回帰：線形回帰とロジスティック回帰の違い

機械学習の世界は、最も単純な機械学習アルゴリズムが2つ存在しなければ完成しません。 はい、線形回帰とロジスティック回帰はどちらも、実装できる最も簡単な機械学習アルゴリズムです。 線形回帰とロジスティック回帰の違いについて説明する前に、まず、これら両方のアルゴリズムの基礎となる基本を理解する必要があります。

まず、これらのアルゴリズムは両方とも、本質的に教師あり学習です。 つまり、これらのアルゴリズムの両方にフィー​​ドするデータには、適切なラベルを付ける必要があります。 注意すべきもう1つの重要な点は、ユースケースです。 すぐに、これら2つのアルゴリズムの明らかな違いの1つは、両方のユースケースです。 線形回帰は、回帰を実行する場合は常に使用されます。 つまり、特定の地域の住宅価格など、連続数を予測する場合は常に線形回帰を使用します。

ただし、ロジスティック回帰の使用は分類問題で行われます。 つまり、特定の家が（価格ではなく）高価であるか安価であるかを予測する場合は、ロジスティック回帰のアルゴリズムを使用します。 はい、ロジスティック回帰の名前には回帰という単語が含まれていますが、分類に使用されます。

あなたが以下にリストされているのを見つけるそのようなエキサイティングな微妙なものがもっとあります。 ただし、線形回帰とロジスティック回帰を正面から比較する前に、まずこれらの各アルゴリズムについて詳しく見ていきましょう。

線形回帰

線形回帰は、理解と展開の両方を行うための最も簡単で単純な機械学習アルゴリズムです。 これは教師あり学習アルゴリズムであるため、連続値を予測する（または回帰を実行する）場合は、適切にラベル付けされたデータセットを使用してこのアルゴリズムを提供する必要があります。 この機械学習アルゴリズムは、線形性があるため、最も簡単です。 将来の値を正しく予測するために、線形回帰は、アルゴリズムに入力されたデータを直線化しようとします。

したがって、情報が線形回帰アルゴリズムに入力されるたびに、データを取得して直線の方程式を取得し、最適な線が見つかるまで勾配と切片をランダムに選択します。 このアルゴリズムに入力するデータに独立変数が1つしかない場合、それは単純線形回帰と呼ばれます。

一方、データに複数の独立変数がある場合、回帰は重回帰になります。 線形回帰の数学的形式は、単純に直線の形式であり、以下に示されています。

y = a0 + a1x + c

ここで、yは従属変数、a0とa1はこのアルゴリズムが求める係数、xは従属変数、cはこの直線の切片値です。

ロジスティック回帰

言うまでもなく、ロジスティック回帰は、教師あり学習アルゴリズムの傘下で最も単純でありながら非常に強力な分類機械学習アルゴリズムの1つです。 このアルゴリズムは回帰問題に使用できますが、代わりに分類問題を解決するために主に使用されます。 このアルゴリズムから得られる出力は常に0から1の間であるため、しきい値分類値を使用してインスタンスをクラスに分類するのは簡単になります。

名前のロジスティックという言葉は、この回帰で使用される活性化関数を指します。 この場合、活性化関数またはロジスティック関数は、実際にはシグモイド関数に他なりません。 これは、このシグモイド関数のプロパティであり、ロジスティック回帰の値を常に0から1の間に保ちます。 シグモイド関数は次のようになります。

ここで、yはシグモイド関数による出力であり、xは独立変数です。 ロジスティック回帰の場合、変数xは実際には線形回帰方程式全体になります。 したがって、ロジスティック回帰の方程式を作成できます。これは次のように記述されます。

ここで、変数の意味はロジスティック回帰の意味と似ており、xは独立変数、yは従属変数、b0、b1、b2などはこのアルゴリズムが決定する係数です。

線形回帰とロジスティック回帰の違い

以下にリストされているのは、線形回帰とロジスティック回帰の包括的な比較です。

もっと知りたいですか？

機械学習について詳しく知りたい場合は、IIIT-BとupGradの機械学習とAIのPGディプロマをご覧ください。これは、働く専門家向けに設計されており、450時間以上の厳格なトレーニング、30以上のケーススタディと課題、IIIT-を提供します。 B卒業生のステータス、5つ以上の実践的なキャップストーンプロジェクト、トップ企業との仕事の支援。