การถดถอยโลจิสติกคืออะไร? อธิบายสำหรับมือใหม่

Updated · By Viviai

การถดถอยโลจิสติกเป็นขั้นตอนวิธีแบบมีผู้สอนที่ใช้ทำนายความน่าจะเป็นของหมวดหมู่ ซึ่งมักเป็นผลลัพธ์แบบใช่หรือไม่ โดยส่งผลรวมเชิงเส้นของข้อมูลนำเข้าผ่านฟังก์ชันซิกมอยด์ให้ค่าอยู่ระหว่าง 0 ถึง 1

อุปมาอย่างง่าย

ลองนึกภาพระบบให้คะแนนที่รวบรวมข้อมูลของคำขอหนึ่ง แล้วเปลี่ยนคะแนนรวมเป็นเปอร์เซ็นต์โอกาสที่จะได้รับการอนุมัติ จากนั้นใช้เกณฑ์ซึ่งโดยทั่วไปคือ 0.5 เพื่อเปลี่ยนความน่าจะเป็นนั้นให้เป็นคำตอบที่ชัดเจนว่าใช่หรือไม่

เหตุใดชื่อจึงอาจทำให้สับสน

แม้จะมีคำว่า "การถดถอย" แต่การถดถอยโลจิสติกใช้สำหรับการจำแนกประเภท ไม่ใช่การทำนายค่าต่อเนื่อง โดยชื่อนี้มาจากฟังก์ชันโลจิสติกซึ่งเป็นแกนกลางของแบบจำลอง

บทบาทของฟังก์ชันซิกมอยด์

ฟังก์ชันซิกมอยด์รับจำนวนใด ๆ ไม่ว่าจะเป็นบวกหรือลบ แล้วแปลงให้เป็นค่าระหว่าง 0 ถึง 1 ซึ่งอ่านได้เป็นความน่าจะเป็น โดยมีสูตรดังนี้

[ p = \frac{1}{1 + e^{-z}} ]

ค่าที่สูงกว่าเกณฑ์จะถูกจัดเข้าหมวดหมู่หนึ่ง และค่าที่เหลือเข้าอีกหมวดหมู่หนึ่ง

ประเภทที่พบบ่อย

ประเภท จำนวนผลลัพธ์ ตัวอย่าง
การถดถอยโลจิสติกแบบไบนารี สองอย่าง สแปมหรือไม่ใช่สแปม
การถดถอยโลจิสติกพหุนาม สามอย่างขึ้นไป หมวดหมู่สินค้า A, B หรือ C

โดยทั่วไปใช้เมื่อใด

การถดถอยโลจิสติกใช้ตรวจจับการฉ้อโกง พิจารณาอนุมัติสินเชื่อ ทำนายการเลิกใช้งานของลูกค้า คัดกรองทางการแพทย์ และปัญหาอื่น ๆ ที่คำตอบเป็นหมวดหมู่พร้อมความน่าจะเป็นที่ประมาณค่าได้

ข้อจำกัดที่ต้องบอกตามตรง

แบบจำลองนี้ตั้งสมมติฐานว่าขอบเขตระหว่างหมวดหมู่ค่อนข้างเป็นเชิงเส้น และอาจทำได้ยากเมื่อความสัมพันธ์ของข้อมูลเป็นแบบไม่เป็นเชิงเส้นอย่างมาก ความน่าจะเป็นที่ทำนายได้ควรนำไปเทียบกับผลลัพธ์จริง แทนที่จะถือว่าเป็นค่าที่แม่นยำแน่นอน

FAQ

การถดถอยโลจิสติกเป็นการจำแนกประเภทหรือการถดถอย?

เป็นขั้นตอนวิธีจำแนกประเภท ถึงแม้ชื่อจะมีคำว่าการถดถอย

ฟังก์ชันซิกมอยด์ทำหน้าที่อะไร?

แปลงคะแนนนำเข้าให้เป็นความน่าจะเป็นระหว่าง 0 ถึง 1

เกณฑ์การตัดสินใจคืออะไร?

ค่าขีดจำกัดซึ่งมักเป็น 0.5 ใช้เปลี่ยนความน่าจะเป็นให้เป็นป้ายกำกับหมวดหมู่

จัดการหมวดหมู่มากกว่าสองได้หรือไม่?

ได้ รูปแบบพหุนามสามารถจัดการหมวดหมู่ตั้งแต่สามขึ้นไป

สรุปใจความสำคัญ

อ่านต่อ [machine learning คืออะไร](machine-learning-khue-arai) และ [การถดถอยเชิงเส้น](linear-regression-khue-arai)

Sources

  1. https://www.hmong.in.th/wiki/Logistic_function
  2. https://learn.microsoft.com/th-th/fabric/data-science/fabric-sparkml-tutorial

Learn by doing

Read a guide, then practice with bite-sized AI lessons you can take offline.

Start learning free