Wat is het verschil tussen lineaire en logistieke regressie?

Lineaire en logistieke regressie zijn machine learning-methoden voor het oplossen van verschillende taken:

• Lineaire regressie wordt gebruikt om continue numerieke waarden te voorspellen. Het model bouwt een lineaire afhankelijkheid tussen invoerkenmerken en de doelvariabele.

• Logistische regressie wordt toegepast op classificatietaken, meestal binair. Het schat de waarschijnlijkheid dat een object tot een van de klassen behoort, door de logistische functie (sigmoid) te gebruiken om de lineaire combinatie van kenmerken om te zetten in een waarschijnlijkheid van 0 tot 1.

Voorbeeld:

• Lineaire regressie: voorspelling van de prijs van een huis op basis van oppervlakte en aantal kamers.
• Logistische regressie: bepalen of een e-mail spam is (ja/nee).

Het belangrijkste verschil ligt in de doelvariabele en de activatiefunctie:

Kenmerk	Lineaire regressie	Logistische regressie
Taaktype	Regressie (getal)	Classificatie (klassenlabels)
Doelvariabele	Continu	Discreet (meestal 0 of 1)
Activatiefunctie	Lineair	Logistisch (sigmoid)
Uitgang van het model	Elk getal	Waarschijnlijkheid (0..1)