Un modello di Logistic Regression, o Logit Regression, (Regressione Logistica) è assimilabile a un classificatore binario: calcola la probabilità che una determinata istanza appartenga a una specifica classe.
Ottimo.
Facciamo un po’ di mente locale.
Sappiamo infatti che alcuni algoritmi di regressione possano essere usati per task di classificazione, e vice versa.
Nella Regressione Logistica, se la probabilità stimata supera il 50% il modello prevede che l’istanza appartenga alla classe positiva, o negativa in caso contrario: abbiamo appena descritto un Binary Classifier, o classificatore binario.
Logistic Regression: how?
Come un modello di regressione lineare (Linear Regression), quello di regressione logistica calcola la somma pesata (weighted sum) delle feature, con l’aggiunta di un termine denominato bias, ma il risultato è processato da una funzione logistica invece di essere restituito direttamente.
La funzione logistica è un caso particolare, appartenente a una classe di funzioni chiamati sigmoidi.
Abbiamo incontrato questo termine durante la creazione del nostro neurone artificiale.
Si tratta di particolari funzioni con un andamento a ‘S’, proprio come questa:
Potremmo definirle dei “mappatori”: dato un qualsiasi input, l’output sarà sempre compreso tra due valori. (nell’esempio, tra 0 e 1)
Qui puoi trovare la documentazione di Sklearn per la Logistic Regression con python
Un caldo abbraccio, Andrea.
