> ML_ALGORITHM // LOGISTIC-REGRESSION_v1.0
Lojistik Regresyon
Logit bağlantı fonksiyonu kullanan denetimli ikili olasılık modellemesi için endüstri standardı referans yöntem.
Linear & Generalized Modelsclassical-supervisedhigh-intrinsicsmall (<1k)
Tüm Algoritmalara DönHesaplama Karmaşıklığı
Eğitim (Training):O(epochs * n * p) via L-BFGS or SGD
Çıkarım (Inference):O(p)
Donanım Karakteristiği
CPU Uygunluğu:Evet
GPU Zorunluluğu:Hayır
Bellek Ayak İzi:low
Açıklanabilirlik ve Veri
Açıklanabilirlik Düzeyi:high-intrinsic
Eğitim Verisi İhtiyacı:small (<1k)
Açıklanabilirlik Değerlendirmesi
Üstel katsayılar birim değişken artışı başına Doğruluk Oranlarını (Odds Ratios) yansıtır.
Uygun Görevler ve Desteklenen Modaliteler
Uygun Görevler:
binary classificationmulticlass classification
Desteklenen Modaliteler:
tabular
Uygulayıcı Kütüphaneler
Temel Literatür & Yayınlar
The Regression Analysis of Binary SequencesDavid R. Cox (1958) · Journal of the Royal Statistical Society: Series B (Methodological)
Sık Karşılaşılan Hatalar ve Dikkat Edilmesi Gerekenler
- L2 düzenlileştirme olmadan tam ayrımın katsayı patlamasına yol açması
- Kalibre edilmemiş olasılık eşiklerini gerçek kalibre olasılıklar olarak değerlendirmek