Régression linéaire Vs. Régression logistique : différence entre la régression linéaire et la régression logistique

Le monde de l'apprentissage automatique ne serait pas complet sans la présence de deux des algorithmes d'apprentissage automatique les plus simples. Oui, la régression linéaire et la régression logistique sont les algorithmes d'apprentissage automatique les plus simples que vous puissiez mettre en œuvre. Avant de discuter de l'une des différences entre la régression linéaire et la régression logistique, nous devons d'abord comprendre les bases sur lesquelles reposent les fondements de ces deux algorithmes.

Tout d'abord, ces deux algorithmes sont par nature un apprentissage supervisé. Cela signifie que les données que vous alimenterez dans ces deux algorithmes doivent être bien étiquetées. Une autre chose essentielle à noter est les cas d'utilisation. Dès le départ, une différence flagrante entre ces deux algorithmes réside dans les cas d'utilisation des deux. La régression linéaire est utilisée chaque fois que nous souhaitons effectuer une régression. Cela signifie que nous utilisons la régression linéaire chaque fois que nous voulons prédire des nombres continus, comme les prix des maisons dans une zone particulière.

Cependant, l'utilisation de la régression logistique se fait dans les problèmes de classification. Autrement dit, si nous voulons prédire si une maison particulière est chère ou bon marché (au lieu du prix), nous utilisons l'algorithme de régression logistique. Oui, même si la régression logistique a le mot régression dans son nom, elle est utilisée pour la classification.

Il existe d'autres subtilités passionnantes que vous trouverez ci-dessous. Mais avant de comparer directement la régression linéaire à la régression logistique, apprenons d'abord plus sur chacun de ces algorithmes.

Régression linéaire

La régression linéaire est l'algorithme d'apprentissage automatique le plus facile et le plus simple à comprendre et à déployer. C'est un algorithme d'apprentissage supervisé, donc si nous voulons prédire les valeurs continues (ou effectuer une régression), nous devons servir cet algorithme avec un ensemble de données bien étiqueté. Cet algorithme d'apprentissage automatique est le plus simple en raison de sa nature linéaire. Pour prédire avec succès les valeurs futures, la régression linéaire essaie de tracer une ligne droite à travers les données introduites dans l'algorithme.

Ainsi, chaque fois qu'une information est introduite dans un algorithme de régression linéaire, il prend les données et prend l'équation d'une ligne droite, sélectionnant au hasard la pente et l'interception jusqu'à ce qu'il trouve la ligne de meilleur ajustement. Si les données que nous alimentons dans cet algorithme ne contiennent qu'une seule variable indépendante, cela s'appelle une régression linéaire simple.

D'autre part, si les données ont plusieurs variables indépendantes, la régression devient une régression linéaire multiple. La forme mathématique de la régression linéaire est simplement celle d'une ligne droite, qui est illustrée ci-dessous.

y= a0+a1x+ c

Ici, y est la variable dépendante, a0 et a1 est le coefficient que cet algorithme est chargé de trouver, x est la variable dépendante et c est la valeur d'interception de cette ligne droite.

Régression logistique

Il va sans dire que la régression logistique est l'un des algorithmes d'apprentissage automatique de classification les plus simples mais les plus puissants sous l'égide d'un algorithme d'apprentissage supervisé. Cet algorithme peut être utilisé pour des problèmes de régression, mais il est plutôt utilisé pour résoudre des problèmes de classification. La sortie que nous obtenons de cet algorithme est toujours comprise entre 0 et 1, grâce à quoi il devient facile de classer les instances en classes en utilisant une valeur de classification seuil.

Le mot logistique dans le nom fait référence à la fonction d'activation, qui est utilisée dans cette régression. La fonction d'activation ou la fonction logistique, dans ce cas, n'est en fait rien d'autre que la fonction sigmoïde. C'est la propriété de cette fonction sigmoïde, qui maintient toujours la valeur de la régression logistique entre zéro et un. La fonction sigmoïde ressemble à ceci :

Ici, y est la sortie via la fonction sigmoïde et x est la variable indépendante. Dans le cas de la régression logistique, la variable x serait en fait l'équation de régression linéaire entière. Par conséquent, l'équation de régression logistique peut être développée, qui est écrite ci-dessous :

Ici, la signification des variables est similaire à celle de la régression logistique, x est la variable indépendante, et y est la variable dépendante, b0, b1, b2, etc., sont le coefficient que cet algorithme détermine.

Différence entre régression linéaire et régression logistique

Ci-dessous, vous trouverez une comparaison complète de la régression linéaire par rapport à la régression logistique côte à côte :

Vous voulez en savoir plus ?

Si vous souhaitez en savoir plus sur l'apprentissage automatique, consultez le diplôme PG en apprentissage automatique et IA de IIIT-B & upGrad, conçu pour les professionnels en activité et offrant plus de 450 heures de formation rigoureuse, plus de 30 études de cas et missions, IIIT- Statut B Alumni, plus de 5 projets de synthèse pratiques et aide à l'emploi avec les meilleures entreprises.