Kāda ir atšķirība starp lineāro un loģistisko regresiju?

Lineārā un loģistiskā regresija ir mašīnmācīšanās metodes, kas paredzētas dažādu uzdevumu risināšanai:

• Lineārā regresija tiek izmantota nepārtrauktu skaitlisku vērtību prognozēšanai. Modelis veido lineāru atkarību starp ievades raksturlielumiem un mērķa mainīgo.

• Loģistiskā regresija parasti tiek piemērota binārajām klasifikācijas uzdevumiem. Tā novērtē, cik liela ir varbūtība, ka objekts pieder pie kādas no klasēm, izmantojot loģistikas (sikmoīda) funkciju, kas pārveido lineāro raksturlielumu kombināciju par varbūtību no 0 līdz 1.

Piemērs:

• Lineārā regresija: mājas cenas prognozēšana, ņemot vērā platību un istabu skaitu.
• Loģistiskā regresija: noteikt, vai e-pasts ir surogātpasts (jā/nē).

Galvenā atšķirība ir mērķa mainīgajā un aktivizācijas funkcijā:

Īpašība	Lineārā regresija	Loģistiskā regresija
Uzdevuma tips	Regresija (skaitlis)	Klasifikācija (klases zīmes)
Mērķa mainīgais	Nepārtraukts	Diskrets (parasti 0 vai 1)
Aktivizācijas funkcija	Lineāra	Sikmoīda (sigmoid)
Modeļa izeja	Jebkurš skaitlis	Varbūtība (0..1)