AI
Да только логистическая
Size: a a a
2021 September 02
AI
Задавай конкретный вопрос если с нуля проще в интернете прочитать
NC
😅 ну это я понял
I
Конечно могу. Она возвращает вероятность, а не клас)
NC
А и по этому регрессия?
Спасибо
Спасибо
NC
Не, я как раз конкретно задал, было написано что в первую очередь это регрессия, вот и не понял почему.
Спасибо
Спасибо
NC
Ну так то да, тогда можно говорить это про многие классификаторы с логитом или я что-то путаю?
RN
Любая классификация возвращает вероятность. Или несколько, если многоклассовая
I
Даже не совсем так. Регрессия отражает функциональную зависимость переменной от определённого набора независимых переменных. Логика работы что логистической что обычной что любой другой одинакова, отличающаяся лишь функцией
NC
Никогда не слышал спасибо за информацию
I
Я не совсем правильно выразился, ниже исправился)
I
Но, опять же, есть вероятность определена функцией вероятности, а есть доля объектов в выборке.
И
WD
Кажется, иногда вводит в заблуждение то, что метод
По большому счету, моделирование заканчивается на стадии получения вероятностей — а дальше уже принятие решения, выбор нужного трешхолда)
Помню, кто-то на stats.stackexchange даже предлагал оставить только predict_proba(), чтобы не было ощущения, что классификация — это нолики и единички)
predict() возвращает 0 и 1, неявным образом используя порог в P=0.5 По большому счету, моделирование заканчивается на стадии получения вероятностей — а дальше уже принятие решения, выбор нужного трешхолда)
Помню, кто-то на stats.stackexchange даже предлагал оставить только predict_proba(), чтобы не было ощущения, что классификация — это нолики и единички)
I
В зависимости от того чем заниматься)) Регрессия, по сути, более мощный инструмент, чем получение точечной оценки)
WD
Ну, я к тому, что в реальных задачах, где сбалансированные датасеты крайне редки, метод
predict() в таком виде вряд ли шибко полезенI
Я бы вообще убрал регрессию из sklearn) Уже если ей пользоваться, то либо statsmodels либо PyMC3 (если речь о python)
WD
S
Регрессия выдает расстояние от разделяющей гиперплоскости, мы по своим хотелкам обзываем это логарифмом отношений вероятностей принадлежности точки к классу 1, пропускаем через сигмоиду и получаем типа вероятность - а на самом деле просто величину от 0 до 1
NC
Понял спасибо 😉