باختصار
Logistic Regression (الانحدار اللوجستي) نوع من نماذج الانحدار بيتوقّع احتمال. ورغم إن اسمه «انحدار»، بيتستخدم غالبًا في التصنيف.
بالتفصيل
حسب مسرد Google، خصائصه:
- التسمية (Label) فئوية. وغالبًا المقصود الانحدار اللوجستي الثنائي، اللي بيحسب احتمالات لتسمية ليها قيمتين بس. وفيه نوع أقلّ شيوعًا متعدّد الفئات.
- دالّة الخسارة أثناء التدريب هي Log Loss.
- المعمارية خطّية، مش شبكة عصبية عميقة.
بيشتغل على خطوتين:
- بيحسب توقّع خام بدالّة خطّية من خصائص المدخلات.
- بيعدّي التوقّع الخام ده على دالّة Sigmoid، اللي بتحوّله لقيمة بين 0 و1.
وبعدين بيتحوّل لتصنيف بعتبة (Classification Threshold): لو الرقم أكبر من العتبة، النموذج بيقول «إيجابي»، ولو أقلّ بيقول «سلبي».
مثال عملي
مثال المسرد: نموذج انحدار لوجستي بيحسب احتمال إن رسالة بريد تكون سبام. للرسالة دي توقّع 0.72، يعني:
- احتمال 72% إنها سبام.
- احتمال 28% إنها مش سبام.
لو حاطط العتبة 0.5، الرسالة هتروح السبام. ولو خايف تضيّع رسايل مهمّة، ممكن ترفع العتبة لـ0.9، فـ0.72 هتعدّي على صندوق الوارد.
وده نموذج يستاهل تبدأ بيه في أي مشكلة تصنيف: سريع ومفهوم، وغالبًا بيدّيك خطّ أساس (Baseline) تقارن بيه أي نموذج أعقد.
مصطلحات مرتبطة
- Sigmoid — الدالّة السيغمويدية.
- Linear Regression — الانحدار الخطّي.
- Log Loss — الخسارة اللوغاريتمية.
- Binary Classification — التصنيف الثنائي.
المصادر: Google ML Glossary
