로지스틱 회귀
이진 분류 문제에 적합한 로지스틱 함수를 사용하여 예측합니다.
Last updated
이진 분류 문제에 적합한 로지스틱 함수를 사용하여 예측합니다.
Last updated
없음
미학습 모델: 로지스틱 회귀 학습 알고리즘
모드
단순 : 독립 변수와 종속 변수 간의 선형 관계를 나타내므로, 모델이 하나의 독립 변수만을 사용하여 종속 변수를 예측하도록 합니다.
릿지 : 선형 회귀 모델에 모델의 가중치를 제한해 과적합을 방지하고, 모델의 일반화 성능을 향상시키는 L2 규제를 추가한 모델입니다. 변수들 간의 상관관계가 높을 때 유용하게 사용됩니다.
라쏘 : 선형 회귀 모델에 모델의 가중치를 0으로 만들어 특정 변수들을 선택하거나 제외할 수 있게 하는 L1 규제를 추가한 모델입니다. 변수의 선택이 필요한 경우에 유용하게 사용됩니다.
엘라스틱넷 : 릿지 회귀와 라쏘 회귀를 결합한 모델입니다. L1 규제와 L2 규제를 함께 사용하여 변수 선택과 과적합 방지를 동시에 수행할 수 있습니다. 변수들 간의 상관관계가 높으며, 변수의 선택이 필요한 경우에 유용하게 사용됩니다.
레이블 불균형을 위한 클래스 가중치 사용 로지스틱 회귀에서 클래스 가중치를 사용하는 것은 레이블 불균형을 해결하기 위한 방법 중 하나입니다. 이때 레이블 불균형이란, 분류 문제에서 한 클래스의 데이터가 다른 클래스의 데이터에 비해 훨씬 많은 경우를 말합니다. 이런 경우에 모델은 데이터의 불균형으로 예측 성능이 낮아질 수 있습니다. 일반적으로 데이터가 적은 클래스에 높은 가중치를 부여하고, 많은 수의 클래스에 낮은 가중치를 부여해 불균형한 데이터에 더 공정하게 대응할 수 있도록 합니다.
