Logistična regresija je statistična metoda, ki napoveduje verjetnost enega od dveh izidov, kot sta „kupi“ ali „ne kupi“. Vhodne značilnosti uteži in njihovo vsoto z S-oblikovano funkcijo pretvori v vrednost med 0 in 1. Ker so uteži lahko razložljive, se pogosto uporablja pri kreditnem točkovanju, v medicini in trženju, pogosto kot trdna izhodiščna osnova za zahtevnejše modele.
Agenti, poteki dela in predloge v enem delovnem prostoru – brezplačna 24-urna predstavitev.
Začni predstavitevLinearna regresija je statistična metoda, ki odnos med ciljno spremenljivko in enim ali več napovednikov opisuje z ravno črto ali ravnino. Koeficienti se običajno izberejo tako, da je vsota kvadratov odstopanj najmanjša. Metoda je lahko razumljiva in razložljiva: z njo je mogoče na primer oceniti, koliko naraste prihodek, ko se oglaševalski proračun poveča za 1000 €. Pri nelinearnih odnosih naleti na meje.
Klasifikator je model ali metoda, ki vnose uvrsti v eno od več vnaprej določenih kategorij. Klasične različice, kot so odločitvena drevesa ali naivni Bayes, se učijo na označenih primerih; jezikovni modeli lahko besedila razvrščajo tudi na podlagi opisa kategorij. Tipična uporaba so prepoznavanje neželene pošte, razvrščanje povpraševanj strank po temah in razvrščanje računov. Kakovost se meri z merili, kot so točnost, natančnost in priklic.
Logaritemska izguba (log loss) meri, kako dobro se napovedane verjetnosti klasifikacijskega modela ujemajo z dejanskimi izidi. Samozavestne, a napačne napovedi so kaznovane še posebej močno; vrednost blizu ničle kaže na dobro kalibrirane napovedi. Primer: če model za stranko, ki ostane, poda 95-odstotno verjetnost odhoda, logaritemska izguba močno naraste. Matematično je enaka binarni navzkrižni entropiji.
Naivni Bayes je družina preprostih metod razvrščanja, ki temeljijo na Bayesovem izreku. Imenujejo se „naivne“, ker predpostavljajo, da so vse značilnice med seboj neodvisne, kar v praksi redko drži, a pogosto vseeno prinese dobre rezultate. Metode so hitre, potrebujejo malo podatkov za učenje in so še posebej primerne za besedila. Klasičen primer je filter neželene pošte, ki e-pošto razvršča na podlagi značilnih besed.
