складність 3/5
Logistic regression
Лінійна модель для класифікації: вона пропускає зважену суму через сигмоїду, щоб дати відкалібровану ймовірність, а не сиру оцінку, — попри «регресію» в назві.
Інтуїція
Вам потрібна ймовірність, а лінійна регресія її дати не може. Підженіть пряму до результату 0/1 — і вона радо спрогнозує 1.4 чи −0.2, які не є ймовірностями й не стануть ними від округлення.
Логістична регресія зберігає зважену суму й пропускає її через сигмоїду, яка стискає будь-яке дійсне число в (0, 1). Великі додатні суми прямують до 1, великі від’ємні — до 0, а нуль відображається рівно в 0.5. Вихід — справжня ймовірність, до якої можна застосувати поріг, за якою можна впорядковувати або яку можна підставити в обчислення очікуваних витрат [2, §5.7.1].
Формальне визначення
Як це працює
Де застосовується
Чому і коли
Практичний приклад
Типові помилки
Перевірте себе
3 запитання
Запитання до цієї сторінки входять у доступ. Їх перевіряє сервер, тож відповіді лишаються там, доки ви не дасте свою.
Джерела
- scikit-learn — sklearn.linear_model.LogisticRegressiondocs · звірено 2026-08-31https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html
- Deep Learning (2016)book · звірено 2026-10-07https://www.deeplearningbook.org/