ロジスティック回帰
ロジスティック回帰
パーセプトロンの収束が保証される条件
・2クラスが線形分離可能であること
線形分離不可の場合
→エポックごとに誤分類されている訓練データがある
→ 重みが絶えず更新されてしまう
対応策
ロジスティック回帰
特徴
・分類モデル
・多クラス分類モデル(0, 1ではない、3つ以上の分類)でも可
→多項ロジスティック回帰、ソフトマックス回帰
・いくつかの説明変数から確率を計算して予測を行う
・一般化線形モデルの1つ
・非線形、非恒等の活性化関数を利用 (ADALINEとの違い)
一般化線形モデル
Yが正規分布以外の確率分布に従う場合(離散型など)にも使えるようにした線形モデル
・オッズ比:事象の起こりやすさ(1を超えることもある)
オッズ比をロジット変換してから回帰分析
ロジット変換
・・・を最適化することが目的
最適化→ 尤度関数
scaler(標準化)
→ 訓練データとテストデータの値を相互に比較できるようにするため
→ 最適解を見つけ出すためのステップ数が少なくなる
手順
|分析に使うデータ → 回帰分析 → モデル生成 |
|分析に使うデータ → モデルに投入 → モデルと実際のデータを比較 →当てはまりを評価
活性化関数の種類
のはZが♾に近づくと小さくなるため、
は1に近づく