Perbedaan yang menonjol antara regresi linier dan regresi logistik adalah regresi linier digunakan untuk memprediksi nilai kontinu sedangkan regresi logistik digunakan untuk memprediksi nilai diskrit.
pembelajaran mesin dapat memprediksi hasil di masa depan berdasarkan pelatihan input masa lalu. Ada dua jenis utama pembelajaran mesin yang disebut pembelajaran terawasi dan pembelajaran tanpa pengawasan. Regresi dan klasifikasi termasuk dalam pembelajaran yang diawasi sementara pengelompokan berada di bawah pembelajaran yang tidak diawasi. Algoritme pembelajaran yang diawasi menggunakan data berlabel untuk melatih kumpulan data. Regresi linier dan regresi logistik adalah dua jenis algoritma pembelajaran terawasi. Regresi linier digunakan ketika variabel dependen kontinu, dan modelnya linier. Regresi logistik digunakan ketika variabel dependen adalah diskrit, dan modelnya nonlinier.
Topik bahasan kami tentang:
- Apa itu Regresi Linier – Definisi, Fungsi 2. Apa itu Regresi Logistik – Definisi, Fungsi 3. Perbedaan Antara Regresi Linier dan Regresi Logistik – Perbandingan Perbedaan Kunci
Istilah Utama
Regresi Linier, Regresi Logistik, Pembelajaran Mesin
Yang perlu anda ketahui tentang Regresi Linier
Regresi linier menemukan hubungan antara variabel independen dan dependen. Keduanya bersebelahan. Variabel bebas adalah variabel yang tidak diubah oleh variabel lain. Dilambangkan dengan x. Ada juga beberapa variabel independen seperti x1, x2, x3, dll. Variabel dependen berubah sesuai dengan variabel independen, dan dilambangkan dengan y.
Bila terdapat satu variabel bebas, persamaan regresinya adalah sebagai berikut.
y = b0+ b1x
Sebagai contoh, asumsikan bahwa x mewakili curah hujan dan y mewakili hasil panen.
Gambar 1: Regresi Linier
Dataset akan terlihat seperti di atas. Kemudian, garis yang mencakup sebagian besar titik data dipilih. Baris ini mewakili nilai yang diprediksi.
Gambar 2: Jarak antara titik data aktual dan nilai prediksi
Kemudian, jarak dari setiap titik data ke garis ditemukan seperti yang ditunjukkan pada grafik di atas. Ini adalah jarak antara nilai aktual dan nilai prediksi. Jarak ini juga dikenal sebagai error atau residual. Garis yang paling cocok harus memiliki jumlah kuadrat kesalahan paling sedikit. Ketika nilai curah hujan baru diberikan (x), dimungkinkan untuk menemukan hasil panen yang sesuai (y) menggunakan garis ini.
Di dunia nyata, bisa ada beberapa variabel independen (x1, x2, x3…). Ini disebut regresi linier berganda. Persamaan regresi linier berganda adalah sebagai berikut.
Yang perlu anda ketahui tentang Regresi Logistik
Regresi logistik dapat digunakan untuk mengklasifikasikan dua kelas. Ini juga dikenal sebagai klasifikasi biner. Mengecek apakah sebuah email adalah spam atau tidak memprediksi apakah seorang pelanggan akan membeli suatu produk atau tidak, memprediksi apakah akan mendapatkan promosi atau tidak adalah beberapa contoh regresi logistik lainnya.
Gambar 3: Regresi Logistik
Asumsikan bahwa jumlah jam belajar siswa per hari adalah variabel independen. Bergantung pada itu, kemungkinan lulus ujian dihitung. Nilai 0,5 dianggap sebagai ambang batas. Ketika jumlah jam baru diberikan, adalah mungkin untuk menemukan probabilitas yang sesuai untuk lulus ujian menggunakan grafik ini. Jika probabilitasnya di atas 0,5, itu dianggap sebagai 1 atau lulus. Jika probabilitasnya di bawah 0,5, maka dianggap 0 atau gagal.
Menerapkan persamaan regresi linier ke fungsi sigmoid akan memberikan persamaan regresi logistik.
Fungsi sigmoid adalah
Poin penting lainnya yang perlu diperhatikan adalah regresi logistik hanya berlaku untuk mengklasifikasikan 2 kelas. Ini tidak digunakan untuk klasifikasi multiclass.
Perbedaan Regresi Linier dan Regresi Logistik
Definisi
Regresi linier adalah pendekatan linier yang memodelkan hubungan antara variabel dependen dan satu atau lebih variabel independen. Sebaliknya, regresi logistik adalah model statistik yang memprediksi probabilitas hasil yang hanya dapat memiliki dua nilai.
Penggunaan
Sementara regresi linier digunakan untuk menyelesaikan masalah regresi, regresi logistik digunakan untuk menyelesaikan masalah klasifikasi (klasifikasi biner).
Metodologi
Regresi linier memperkirakan variabel dependen ketika ada perubahan pada variabel independen. Regresi logistik menghitung kemungkinan suatu peristiwa terjadi. Ini adalah salah satu perbedaan penting antara regresi linier dan regresi logistik.
Nilai Keluaran
Juga, dalam regresi linier, nilai output kontinu. Dalam regresi logistik, nilai keluaran bersifat diskrit.
Model
Meskipun regresi linier menggunakan garis lurus, regresi logistik menggunakan kurva S atau fungsi sigmoid. Ini adalah perbedaan penting lainnya antara regresi linier dan regresi logistik.
Contoh
Memprediksi PDB suatu negara, memprediksi harga produk, memprediksi harga jual rumah, prediksi skor adalah beberapa contoh regresi linier. Memprediksi apakah sebuah email adalah spam atau tidak, memprediksi apakah transaksi kartu kredit itu penipuan atau tidak, memprediksi apakah seorang pelanggan akan mengambil pinjaman atau tidak adalah beberapa contoh regresi logistik.
Kata terakhir
Perbedaan antara regresi linier dan regresi logistik adalah regresi linier digunakan untuk memprediksi nilai kontinu sedangkan regresi logistik digunakan untuk memprediksi nilai diskrit. Singkatnya, regresi linier digunakan untuk regresi sedangkan regresi logistik digunakan untuk klasifikasi.
Sumber bacaan:
- Analisis Regresi Linier | Regresi Linier dengan Python | Algoritma Pembelajaran Mesin | Simplilearn, 26 Maret 2018, Tersedia di sini . 2. Regresi Logistik | Regresi Logistik dengan Python | Algoritma Pembelajaran Mesin | Simplilearn, 22 Maret 2018, Tersedia di sini .
Sumber gambar:
- “Regresi linier” Oleh Sewaqu – Pekerjaan sendiri, Domain Publik) melalui Commons Wikimedia 2. “Residuals for Linear Regression Fit” Oleh Thomas.haslwanter – Pekerjaan sendiri (CC BY-SA 3.0) melalui Commons Wikimedia 3. “Logistic-curve Oleh Qef (bicara) – Dibuat dari awal dengan gnuplot (Domain Publik) melalui Commons Wikimedia
