รีเกรสชันโลจิสติกคืออะไร

รีเกรสชันโลจิสติกมีการใช้งานในโลกความเป็นที่แตกต่างกันไปในอุตสาหกรรมมากมาย

การผลิต

บริษัทผู้ผลิตใช้การวิเคราะห์รีเกรสชันโลจิสติกเพื่อประเมินความน่าจะเป็นของความล้มเหลวของชิ้นส่วนในเครื่องจักร และจากนั้นแผนตารางการบำรุงรักษาตามการประมาณการนี้เพื่อลดความล้มเหลวในอนาคต

การดูแลสุขภาพ

นักวิจัยทางการแพทย์วางแผนการดูแลป้องกันและรักษาโดยพยากรณ์โอกาสการเกิดโรคในคนไข้ พวกเขาใช้รูปแบบรีเกรสชันโลจิสติกเพื่อเปรียบเทียบผลกระทบของประวัติครอบครัวหรือยีนที่มีต่อโรค 

การเงิน

บริษัทการเงินต้องวิเคราะห์ธุรกรรมทางการเงินเพื่อการฉ้อโกงและประเมินการขอสินเชื่อและการขอประกันภัยสำหรับความเสี่ยง ปัญหาเหล่านี้เหมาะสำหรับรีเกรสชันโลจิสติกเพราะมีผลลัพธ์ที่ไม่ต่อเนื่อง เช่น ความเสี่ยงสูงหรือความเสี่ยงต่ำ และหลอกลวงหรือไม่หลอกลวง  

การตลาด

เครื่องมือโฆษณาออนไลน์ใช้รูปแบบรีเกรสชันโลจิสติกเพื่อคาดการณ์ว่าผู้ใช้จะคลิกโฆษณาหรือไม่ เป็นผลให้นักการตลาดสามารถวิเคราะห์การตอบสนองของผู้ใช้คำและภาพที่แตกต่างกัน และสร้างโฆษณาที่มีประสิทธิภาพสูงกับที่ลูกค้าจะมีส่วนร่วมได้

เพื่อให้เข้าใจถึงรูปแบบรีเกรสชันโลจิสติก ก่อนอื่นจะต้องเข้าใจสมการและตัวแปร

สมการ

ในทางคณิตศาสตร์ สมการจะมีความสัมพันธ์ระหว่างตัวแปรสองตัวคือ x และ y คุณสามารถใช้สมการเหล่านี้หรือฟังก์ชั่นในการพล็อตกราฟพร้อมแกน x และแกน y โดยการวางในค่าที่แตกต่างกันของ x และ y ได้ ตัวอย่างเช่น ถ้าคุณพล็อตกราฟสำหรับฟังก์ชั่น y = 2* x คุณจะได้รับเส้นตรงที่แสดงด้านล่าง ดังนั้นฟังก์ชั่นนี้จะเรียกว่าฟังก์ชั่นเชิงเส้น

ตัวแปร

ในสถิติ ตัวแปรเป็นปัจจัยข้อมูลหรือคุณลักษณะที่มีค่าแตกต่างกัน สำหรับการวิเคราะห์ต่างๆ ตัวแปรบางอย่างเป็นตัวแปรที่เป็นอิสระหรือตัวแปรอธิบาย คุณลักษณะเหล่านี้เป็นเหตุของผลที่ตามมา ตัวแปรอื่นๆ ขึ้นอยู่กับตัวแปรอ้างอิงหรือตอบสนอง โดยค่าขึ้นอยู่กับตัวแปรอิสระ โดยทั่วไปแล้ว รีเกรสชันโลจิสติกจะดูว่าตัวแปรอิสระมีผลต่อตัวแปรขึ้นตัวหนึ่งอย่างไร โดยดูที่ค่าข้อมูลประวัติของตัวแปรทั้งสอง 

ในตัวอย่างของเราข้างต้น x เรียกว่าตัวแปรอิสระตัวแปรทำนายหรือตัวแปรอธิบายเพราะมันมีค่าที่รู้จักกัน Y เรียกว่าตัวอ้างอิง ตัวแปรผล หรือตัวแปรตอบสนองเพราะไม่รู้จักค่า 

ฟังก์ชั่นรีเกรสชันโลจิสติก

รีเกรสชันโลจิสติก (Logistic regression) เป็นแบบจำลองทางสถิติที่ใช้ฟังก์ชันโลจิสติก หรือฟังก์ชันโลจิตในวิชาคณิตศาสตร์เป็นสมการระหว่าง x และ y ฟังก์ชั่นโลจิตจะแมป Y เป็นฟังก์ชั่น Sigmoid ของ x

ถ้าคุณพล็อตสมการรีเกรสชันโลจิสติกนี้คุณจะได้รับเส้นโค้ง S-ที่แสดงด้านล่าง

ดังที่คุณเห็น ฟังก์ชันโลจิตจะตอบกลับเฉพาะค่าระหว่าง 0 และ 1 สำหรับตัวแปรอ้างอิง โดยไม่คำนึงถึงค่าของตัวแปรอิสระ นี่คือวิธีรีเกรสชันโลจิสติกประมาณค่าของตัวแปรอ้างอิง วิธีรีเกรสชันโลจิสติกยังสร้างโมเดลสมการแบบจำลองระหว่างตัวแปรอิสระหลายและตัวแปรอ้างอิงหนึ่งตัวด้วย

การวิเคราะห์รีเกรสชันโลจิสติกที่มีตัวแปรอิสระหลายตัว

ในหลายกรณี ตัวแปรอธิบายหลายตัวมีผลต่อค่าของตัวแปรอ้างอิง เพื่อจำลองชุดข้อมูลอินพุตดังกล่าว สูตรรีเกรสชันโลจิสติกสมมติความสัมพันธ์เชิงเส้นระหว่างตัวแปรอิสระที่แตกต่างกัน คุณสามารถปรับเปลี่ยนฟังก์ชั่น Sigmoid และคำนวณตัวแปรเอาท์พุทสุดท้ายเป็น 

y = f(β₀ + β₁x₁ + β₂x₂+… β_nx_n)

สัญลักษณ์ β หมายถึงค่าสัมประสิทธิ์รีเกรสชัน โมเดลโลจิตสามารถคำนวณย้อนค่าสัมประสิทธิ์เหล่านี้ได้เมื่อคุณป้อนชุดข้อมูลทดลองขนาดใหญ่ของค่าอ้างอิงและค่าอิสระที่เพียงพอ 

Log Odds

โมเดลโลจิตยังสามารถกำหนดอัตราส่วนของความสำเร็จหรือล้มเหลวหรือ Log Odds ได้อีกด้วย ตัวอย่างเช่น ถ้าคุณกำลังเล่นโป๊กเกอร์กับเพื่อนของคุณ และคุณชนะสี่ตาจาก 10 ตาอัตราต่อรองของคุณในการชนะคือสี่หก หรือสี่ในหก ซึ่งเป็นอัตราส่วนของความสำเร็จกับความล้มเหลว ในทางกลับกันความน่าจะเป็นในการชนะจะเท่ากับสี่จากสิบ

ในทางคณิตศาสตร์ อัตราต่อรองของคุณในแง่ของความน่าจะเป็นคือ p/(1 - p) และ Log Odd เท่ากับ Log (p/(1 - p)) คุณสามารถแสดงฟังก์ชั่นโลจิสติกเป็น Log Odd ได้ดังที่แสดงด้านล่าง:

ประเภทของการวิเคราะห์รีเกรสชันโลจิสติกส์มีอะไรบ้าง

วิธีการวิเคราะห์รีเกรสชันโลจิสติกนั้นมีสามประการ ขึ้นอยู่กับผลลัพธ์ของค่าอ้างอิง

รีเกรสชันโลจิสติกไบนารี

รีเกรสชันโลจิสติกแบบไบนารีทำงานได้ดีสำหรับปัญหาการจำแนกประเภทแบบไบนารีที่มีเพียงสองผลลัพธ์ที่เป็นไปได้ ตัวแปรอ้างอิงสามารถมีได้เพียงสองค่า เช่น ใช่และไม่หรือ 0 และ 1

แม้ว่าฟังก์ชันโลจิสติกจะคำนวณช่วงของค่าระหว่าง 0 ถึง 1 แต่แบบโมเดลรีเกรสชันไบนารีจะปัดเศษคำตอบให้เป็นค่าที่ใกล้เคียงที่สุด โดยทั่วไปคำตอบที่ต่ำกว่า 0.5 จะปัดเศษเป็น 0 และคำตอบเหนือ 0.5 จะถูกปัดเศษเป็น 1 เพื่อให้ฟังก์ชันโลจิสติกส่งกลับผลลัพธ์ไบนารี

รีเกรสชันโลจิสติกมัลจิโนเมียล

รีเกรสชันมัลติโนเมียลสามารถวิเคราะห์ปัญหาที่มีผลลัพธ์ที่เป็นไปได้หลายคำตอบ ตราบใดที่จำนวนของผลลัพธ์นั้นจำกัด ยกตัวอย่างเช่น สามารถพยากรณ์ได้ว่า ราคาบ้านจะเพิ่มขึ้น 25%, 50%, 75% หรือ 100% ตามข้อมูลประชากร แต่ก็ไม่สามารถพยากรณ์ค่าบ้านที่แน่นอนได้

รีเกรสชันโลจิสติกมัลติโนเมียลทำงานโดยการแมปค่าผลลัพธ์กับเป็นค่าระหว่าง 0 และ 1 เนื่องจากฟังก์ชั่นโลจิสติกสามารถตอบกลับเป็นช่วงของข้อมูลอย่างต่อเนื่องได้ เช่น 0.1, 0.11, 0.12 และอื่นๆ รีเกรสชันมัลติโนเมียลนั้นยังจัดกลุ่มเอาต์พุตเป็นค่าทึี่ใกล้เคียงที่สุดอีกด้วย

รีเกรสชันโลจิสติกออร์ดินัล

รีเกรสชันโลจิสติกออร์ดินัลหรือรูปแบบโลจิตตามลำดับเป็นรีเกรสชันมัลติโนเมียลแบบพิเศษสำหรับปัญหาที่ตัวเลขแทนบ่งบอกถึงการจัดอันดับมากกว่าค่าจริง ตัวอย่างเช่น คุณจะใช้รีเกรสชันออร์ดินัลเพื่อคาดการณ์คำตอบของคำถามแบบสำรวจที่ขอให้ลูกค้าจัดอันดับบริการของคุณเป็นแย่ พอใช้ ดี หรือยอดเยี่ยม ตามตัวเลข เช่นเดียวกับจำนวนสินค้าที่พวกเขาซื้อจากคุณตลอดทั้งปี

คุณสามารถเรียกใช้รีเกรสชันโลจิสติกบน AWS ได้โดยใช้ Amazon SageMaker SageMaker เป็นบริกาแมชชีนเลิร์นนิง (ML) ที่มีการจัดการอย่างสมบูรณ์พร้อมด้วยอัลกอริทึมในตัวสำหรับรีเกรสชันเชิงเส้นและรีเกรสชันโลจิสติกในแพ็คเกจซอฟต์แวร์ทางสถิติอื่นๆ

• นักวิทยาศาสตร์ข้อมูลทุกคนสามารถใช้ SageMaker เพื่อเตรียม สร้าง ฝึก และปรับใช้รูปแบบรีเกรสชันโลจิสติกได้อย่างรวดเร็ว
• SageMaker กำจัดภาระหนักในแต่ละขั้นตอนของกระบวนการรีเกรสชันโลจิสติกเพื่อช่วยให้พัฒนาโมเดลคุณภาพสูงได้ง่ายขึ้น
• SageMaker มีส่วนประกอบทั้งหมดที่คุณต้องการสำหรับการรีเกรสชันโลจิสติกในชุดเครื่องมือเดียว เพื่อให้คุณสามารถผลิตโมเดลได้เร็วขึ้น ง่ายขึ้น และด้วยต้นทุนที่ต่ำกว่า

เริ่มต้นกับรีเกรสชันโลจิสติกโดยการสร้าง บัญชี AWS เลยวันนี้