+è
  • 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
  • 🏡 Home
  • 🚨 GDPR Compliant
  • ⚡️ Data Science
  • 📌 Machine Learning
  • 🔒 Privacy Preserving
Data Science, machine-learning

Logistic Regression

Logistic Regression

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.

Written by Andrea Provino - Dicembre 6, 2019
Tags | data science, machine learning, teoria

You Might Also Like

build-recommendation-system-python-data-science-machine-learning

Build Recommendation System Python | Project Ideas Overview

Novembre 19, 2019
the-credit-assignment-problem-reinforcement-learning-machine-learning-data-science-deeplearning

The credit assignment problem | Reinforcement Learning

Agosto 6, 2020
pate-framework-private-aggregation-of-teacher-ensambles-italia

PATE framework: Private Aggregation of Teacher Ensembles

Maggio 17, 2020

1 Comment

  • Machine Learning Engineer - Machine Learning & Data Science Blog Novembre 23, 2020 at 07:00

    […] comune trovare modelli di regressione logistica, feedforwards neural networks, random forest (decision trees) e bag-of-words anzichè […]

    Reply
  • Please Post Your Comments & Reviews
    Annulla risposta

    Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

    Next Post
    Previous Post

    Una pubblicità che non vedi se usi AdBlock

    EXPAND YOUR KNOWLEDGE

    • Blockchain

      Patricia Merkle Trie

      Maggio 30, 2023
    • Artistic representation of a tree Blockchain

      Tree Data Structure: cos’è un Merkle Tree

      Maggio 26, 2023
    • Cover image for Bitcoin UTXO explanation post Blockchain

      UTXO: come funziona il modello Unspent Transaction Outputs

      Maggio 23, 2023
    • Blockchain

      Cos’è Ethereum

      Maggio 15, 2023
    • Blockchain Developer

      Circuito aritmetico

      Novembre 1, 2022
    • machine-learning

      Un nuovo inizio

      Settembre 4, 2021
    • Zero Knwoledge Proof Article Privacy Preserving

      Zero Knowledge Proof: zk-SNARK e zk-STARK | Prova a conoscenza zero

      Luglio 8, 2021
    • oblivious-transfer-spiegazione-italiano-ot-explanation Privacy Preserving

      Oblivious Transfer (OT)

      Luglio 6, 2021
    • Aleo Studio Website Preview machine-learning

      Aleo Studio: un IDE per Zero-Knowledge Proofs Applications

      Luglio 1, 2021
    • privacy-enhancing-technologies-data-machine-learning-data-science Privacy Preserving

      Perché il Privacy Tech è un vantaggio competitivo micidiale

      Giugno 17, 2021

    Quello che Google pensa ti possa piacere

    Prodotti che i Cookie dicono potresti trovare interessanti

    AI Blog - © 2019-2021 Andrea Provino