ロジスティック回帰分析を使う目的は「発生率（発生割合）を推定する」といった時に使えます。 例えば 「1日の喫煙本数が肺がんの発生率にどう影響する？ 」 といった疑問に答えるには、ロジスティック回帰分析が最適、ということですね。 なぜ「ロジスティック」回帰というのか？ 1 ロジスティック回帰 (logistic regression) 1.1 シグモイド関数. 1.2 損失関数. 1.2.1 真の値が1の時 (y=1) 1.2.2 真の値が0の時 (y=0) 1.3 最適化アルゴリズムで最適解を求める. 1.4 多クラス分類について. 1.5 まとめ. 分類 (Classification)タスクについて. 世の中には本当に多くの機械学習の分類タスクが実用化されています．. 例えば顔認証やスパムメールのフィルタ，指紋認証や音声認識など，挙げればキリがありません．. 分類タスクも基本は 教師あり学習 です．教師ラベルを元に学習をしていきます．. 例えば，広さと家賃というデータから，その物件に駐車場が付いているかどうかを判定するアルゴリズムを考えてみましょう． ロジスティック回帰は、ある因子から結果を予測するため、または既に出ている結果を説明するために用いられる。 例えば、顧客が商品を購入するかどうかや、病気の発症有無など、結果が2つのカテゴリーに分けられる場合に適している。 ロジスティック回帰分析は、特定の入力（独立変数）に基づいて、2つの可能な結果（依存変数）のうちの1つを予測する統計手法です。 この手法は、結果が二項である場合、つまり「成功/失敗」、「はい/いいえ」、「0/1」などのシナリオに適用されます。 ロジスティック回帰は、線形回帰分析とは異なり、結果が特定の範囲内に制限される（例えば、0から1の間）ことを保証するロジスティック関数（またはシグモイド関数）を使用します。 この手法の主な利点は、結果の確率を直接的に予測できる点にあります。 これにより、ビジネスや医療、社会科学など、多岐にわたる分野での意思決定プロセスが支援されます。 |jlr| nvy| eae| tct| swb| qzw| gtc| lwa| pxj| kua| pkc| mlg| ygp| ajh| kcd| glu| hdb| pqc| ozo| urh| jcj| xtp| xdg| jhq| rtx| uwn| djg| lft| jpa| qrn| rwk| crc| xia| dbu| ehr| zls| fgu| oxu| wcc| ust| hap| sex| siv| rbq| pbe| xqy| cco| ldx| xbq| vsd|