Regresja logistyczna to metoda statystyczna, która przewiduje prawdopodobieństwo jednego z dwóch wyników, takich jak „kupuje” lub „nie kupuje”. Waży cechy wejściowe i zamienia ich sumę na wartość od 0 do 1 za pomocą funkcji o kształcie litery S. Ponieważ wagi są łatwe do interpretacji, jest szeroko stosowana w scoringu kredytowym, medycynie i marketingu, często jako solidny punkt odniesienia dla bardziej złożonych modeli.
Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.
Uruchom demoRegresja liniowa to metoda statystyczna opisująca zależność między zmienną docelową a jedną lub kilkoma zmiennymi objaśniającymi za pomocą prostej lub płaszczyzny. Współczynniki dobiera się zwykle tak, aby zminimalizować sumę kwadratów odchyleń. Metoda jest łatwa do zrozumienia i interpretacji: pozwala na przykład oszacować, o ile rosną przychody, gdy budżet reklamowy wzrasta o 1000 €. Jej granice pojawiają się przy zależnościach nieliniowych.
Klasyfikator to model lub metoda, która przypisuje dane wejściowe do jednej z kilku z góry określonych kategorii. Klasyczne warianty, takie jak drzewa decyzyjne czy naiwny klasyfikator bayesowski, są trenowane na oznaczonych przykładach; modele językowe mogą też sortować teksty na podstawie opisu kategorii. Typowe zastosowania to wykrywanie spamu, sortowanie zapytań klientów według tematu i kategoryzowanie rachunków. Jakość mierzy się metrykami takimi jak dokładność, precyzja i czułość.
Log loss (strata logarytmiczna) mierzy, jak dobrze przewidywane prawdopodobieństwa modelu klasyfikacyjnego zgadzają się z rzeczywistymi wynikami. Pewne siebie, ale błędne przewidywania są karane szczególnie mocno; wartość bliska zeru wskazuje na dobrze skalibrowane prognozy. Przykład: jeśli model przypisuje 95% prawdopodobieństwa odejścia klientowi, który zostaje, log loss gwałtownie rośnie. Matematycznie jest tożsamy z binarną entropią krzyżową.
Naiwny klasyfikator bayesowski (Naive Bayes) to rodzina prostych metod klasyfikacji opartych na twierdzeniu Bayesa. Nazywa się je „naiwnymi”, ponieważ zakładają, że wszystkie cechy są od siebie niezależne, co w praktyce rzadko jest prawdą, ale często mimo to daje dobre wyniki. Metody te są szybkie, wymagają niewielu danych treningowych i szczególnie dobrze nadają się do tekstów. Klasycznym przykładem jest filtr spamu, który sortuje wiadomości e-mail na podstawie typowych słów.
