선형 회귀 대 로지스틱 회귀: 선형 회귀와 로지스틱 회귀의 차이점

가장 단순한 두 가지 기계 학습 알고리즘이 없으면 기계 학습의 세계는 완전하지 않을 것입니다. 예, 선형 회귀와 로지스틱 회귀는 모두 구현할 수 있는 가장 간단한 기계 학습 알고리즘입니다. 선형 회귀와 로지스틱 회귀의 차이점을 논의하기 전에 먼저 이 두 알고리즘의 기초가 놓여 있는 기본 사항을 이해해야 합니다.

우선, 이 두 알고리즘 모두 본질적으로 지도 학습입니다. 즉, 이 두 알고리즘 모두에 제공할 데이터에는 레이블이 잘 지정되어야 합니다. 주목해야 할 또 다른 중요한 사항은 사용 사례입니다. 이 두 알고리즘 사이의 눈에 띄는 차이점 중 하나는 두 가지 모두의 사용 사례입니다. 선형 회귀는 회귀를 수행하고자 할 때마다 사용됩니다. 즉, 특정 지역의 주택 가격과 같은 연속적인 숫자를 예측할 때마다 선형 회귀를 사용합니다.

그러나 로지스틱 회귀는 분류 문제에서 사용됩니다. 즉, 특정 주택이 (가격 대신) 비싸거나 저렴한지를 예측하려면 로지스틱 회귀 알고리즘을 사용합니다. 네, 로지스틱 회귀는 이름에 회귀라는 단어가 있지만 분류에 사용됩니다.

아래에 나열된 더 많은 흥미로운 미묘함을 찾을 수 있습니다. 그러나 선형 회귀와 로지스틱 회귀를 정면으로 비교하기 전에 먼저 이러한 각 알고리즘에 대해 자세히 알아보겠습니다.

선형 회귀

선형 회귀는 이해하고 배포하기에 가장 쉽고 간단한 기계 학습 알고리즘입니다. 지도 학습 알고리즘이므로 연속 값을 예측하거나 회귀를 수행하려면 레이블이 잘 지정된 데이터 세트와 함께 이 알고리즘을 제공해야 합니다. 이 기계 학습 알고리즘은 선형 특성 때문에 가장 간단합니다. 미래 값을 성공적으로 예측하기 위해 선형 회귀는 알고리즘에 제공된 데이터를 통해 직선을 시도합니다.

따라서 선형 회귀 알고리즘에 정보가 입력될 때마다 데이터를 가져와 직선 방정식을 사용하여 가장 적합한 선을 찾을 때까지 기울기와 절편을 무작위로 선택합니다. 이 알고리즘에 제공하는 데이터에 단일 독립 변수만 포함되어 있으면 이를 단순 선형 회귀라고 합니다.

반면에 데이터에 여러 독립 변수가 있는 경우 회귀는 다중 선형 회귀가 됩니다. 선형 회귀의 수학적 형태는 단순히 직선의 형태이며 아래에 나와 있습니다.

y= a0+a1x+ c

여기서 y는 종속 변수이고, a0과 a1은 이 알고리즘이 찾아야 하는 계수, x는 종속 변수, c는 이 직선의 절편 값입니다.

로지스틱 회귀

로지스틱 회귀가 지도 학습 알고리즘의 우산 아래에서 가장 간단하면서도 매우 강력한 분류 기계 학습 알고리즘 중 하나라는 것은 말할 필요도 없습니다. 이 알고리즘은 회귀 문제에 사용할 수 있지만 대신 분류 문제를 해결하는 데 주로 사용됩니다. 이 알고리즘에서 얻는 출력은 항상 0과 1 사이에 있으므로 임계값 분류 값을 사용하여 인스턴스를 클래스로 분류하는 것이 쉬워집니다.

이름의 로지스틱이라는 단어는 이 회귀에서 사용되는 활성화 함수를 나타냅니다. 이 경우 활성화 함수 또는 로지스틱 함수는 실제로 시그모이드 함수일 뿐입니다. 로지스틱 회귀의 값을 항상 0과 1 사이에 유지하는 것은 이 시그모이드 함수의 속성입니다. 시그모이드 함수는 다음과 같습니다.

여기서 y는 시그모이드 함수를 통한 출력값이고 x는 독립변수입니다. 로지스틱 회귀의 경우 변수 x는 실제로 전체 선형 회귀 방정식이 됩니다. 따라서 로지스틱 회귀 방정식을 개발할 수 있으며 다음과 같습니다.

여기서 변수의 의미는 로지스틱 회귀분석에서의 의미와 유사하며 x는 독립변수, y는 종속변수, b0, b1, b2 등은 이 알고리즘이 결정하는 계수이다.

선형 회귀와 로지스틱 회귀의 차이점

아래 목록에서 선형 회귀와 로지스틱 회귀를 나란히 종합적으로 비교한 내용을 확인할 수 있습니다.

더 알고 싶으십니까?

기계 학습에 대해 자세히 알아보려면 IIIT-B 및 upGrad의 기계 학습 및 AI PG 디플로마를 확인하세요. 이 PG 디플로마는 일하는 전문가를 위해 설계되었으며 450시간 이상의 엄격한 교육, 30개 이상의 사례 연구 및 과제, IIIT- B 동문 자격, 5개 이상의 실용적인 실습 캡스톤 프로젝트 및 최고의 기업과의 취업 지원.