Sinir Ağları ve Derin Öğrenme — III : Lojistik Regresyon
Bağımsız değişken ya da değişkenlerle arasındaki ilişki lojistik regresyon yöntemiyle aranır. En çok uygulandığı durum bağımlı değişkenin iki kategorili (iyileşti‐iyileşmedi gibi) olduğu durumdur. Lojistik regresyon yönteminin hedefi, bağımlı değişkenin sonucunu tahmin edebilecek en sade modeli bulmaktır.
Yani Lojistik regresyon, bir olayın olma olasılığını anlayabilmek için gerekli.
Bu olay P şeklinde gösterilir. Probabilty’den gelir.
Örn : P(cips|bira)=0.7
Bu gösterim ile bira satın alanların %70 i cips de alır demek istiyor. Bize bir x girdisi verilecek ve bu girdi bir yçıktısı verecek. Olasılık tam burada devreye giriyor. Verilen bu x‘in y=1 çıktısı verme ihtimali.
Bu durum için ihtimali şu şekilde tanımlarız. Bu eşitlikte
bizim elde ettiğimiz tahmini sonucu temsil ediyor.
ŷ=P(y=1|x)
0≤ŷ≤1 notasyonu ile gösterilir.
Sigmoid Fonksiyonu (σ)
Sigmoid fonksiyonu ŷ ifadesinin 0–1 aralığında bir çıktı almasını sağlamak için kullanıyoruz.
Girdiler ve ağırlıkların çarpımı bir eşik değeri ile toplanıyor ve elde edilen değerin 0–1 arasında olması sigmoid ile sağlanıyor.
Python dilinde Sigmoid fonksiyonu
import numpy as np
def sigmoid(z):
s = 1.0 / (1.0 + np.exp**(-1.0 * z))
return s- Eğer z büyük bir pozitif sayı ise σ(Z)=1
- Eğer z küçük veya negatif bir sayı ise σ(Z)=0
- Eğer z=0 ise σ(Z)=0.5
