Bilişim dünyasına kaliteli, özgün ve Türkçe içerikler kazandırmayı hedefleyen bir platform..

Lojistik Regresyon (Logistic Regression) belki de en popüler ve en iyi bilinen makine öğrenimi modelidir. Bir veri noktasının bir kategoriye ait olup olmadığını tahmin etmek için ikili sınıflandırma problemini çözer. Tahmin edilecek sınıf ya da kategori 0 veya 1, evet veya hayır, hastalıklı veya hastalıksız olmalıdır.

Veriler üzerinden rakamsal tahminler(boy, kilo, yas) yapıyorsak bu linear regresyon'a örnek olabilir fakat kategorik tahminler(erkek veya kadın) yapıyorsak bu Lojistik Regresyon (Logistic Regression)'a örnektir.

#1. kutuphaneler
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

veriler=pd.read_csv("veriler.csv")
#ulke,boy,kilo,yas,cinsiyet
x=veriler.iloc[:,1:4].values
y=veriler.iloc[:,4:].values

#Şimdi Train ve Test olarak ayırma işlemi yapalım
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.33,random_state=0)

#STANDARTLAŞTIRMA
from sklearn.preprocessing import StandardScaler
sc=StandardScaler()
X_train=sc.fit_transform(x_train)#fit_transform
X_test=sc.transform(x_test)#transform

#LOGISTIC REGRESSION
from sklearn.linear_model import LogisticRegression
log_r=LogisticRegression(random_state=0)
log_r.fit(X_train,y_train)#X den Y öğren

#şimdi öğrendiğin bilgi ile predict-tahmin yap
y_pred=log_r.predict(X_test)
print(y_pred)

Makine Öğrenmesi Tahminlerinin Sırrı!

Makinelerin ikili kararları nasıl verdiğini hiç merak ettiniz mi? Aşağıdaki video, Sigmoid Fonksiyonunu kullanarak Lojistik Regresyonu ayrıntılı olarak görselleştirmektedir. Ağırlığın (w) eğrinin dikliğini nasıl kontrol ettiğini ve sapmanın (b) onu x ekseni boyunca nasıl kaydırdığını görebilirsiniz. Veri noktalarınız için en uygun uyumu bulmak için Çapraz Entropi (CE) Kaybının nasıl minimize edildiğini görebilirsiniz. Son olarak, tahminleri Sınıf 0 ve Sınıf 1 olarak ayıran P=0,5'teki karar sınırını inceliyoruz. Sınıflandırma algoritmalarının hızlı ve sezgisel bir görselleştirmesini arayan veri bilimi öğrencileri ve makine öğrenmesi meraklıları için mükemmel.