Lojistik regresyon, istatistiksel modelleme ve makine öğrenmesi alanlarında kullanılan, bağımlı değişkenin sınırlı kategorilere sahip olduğu durumlarda başvurulan bir sınıflandırma yöntemidir. Genellikle iki kategorili (örneğin evet/hayır, 0/1) sonuçları tahmin etmek için geliştirilmiş olup, daha karmaşık yapılar için çok terimli veya sıralı lojistik regresyon modelleri de kullanılmaktadır. Temelinde, olasılıkların logit dönüşümü ile bağımsız değişkenlerle ilişkilendirilmesi yer alır.

Çalışma Prensibi

Lojistik regresyon, doğrusal regresyondan farklı olarak bağımlı değişkenin sürekli değerlerini değil, belirli sınıflara ait olma olasılıklarını hesaplar. Matematiksel olarak model, sigmoid (S-eğrisi) fonksiyonuna dayanır. Bu fonksiyon sayesinde tahmin edilen değerler 0 ile 1 arasında sınırlandırılır.

Formül şu şekilde ifade edilir:

^{Şekil: Lojistik regresyon fonksiyonu (Yapay Zeka)}

​

Türleri

İkili Lojistik Regresyon

Bağımlı değişkenin yalnızca iki kategoriye sahip olduğu durumlarda kullanılır. Örneğin bir hastada hastalık olup olmadığı tahmin edilebilir.

Çok Terimli Lojistik Regresyon

Bağımlı değişkenin ikiden fazla kategoriye sahip olduğu problemlerde kullanılır. Örneğin tüketici tercihlerini “A markası, B markası, C markası” şeklinde sınıflandırabilir.

Sıralı Lojistik Regresyon

Bağımlı değişkenin kategorileri sıralı olduğunda tercih edilir. Örneğin müşteri memnuniyetini “kötü, orta, iyi, mükemmel” gibi sıralı kategorilerle açıklamak için uygulanır.

Avantajları

• Hesaplama açısından görece basittir.
• Büyük veri setlerinde hızlı sonuç üretir.
• Model parametreleri ve tahmin süreci şeffaftır, yorumlanması kolaydır.

Dezavantajları

• Bağımlı ve bağımsız değişkenler arasında doğrusal bir ilişki varsayar.
• Karmaşık doğrusal olmayan ilişkilerde derin öğrenme gibi yöntemlere göre yetersiz kalabilir.
• Aykırı değerlerden etkilenebilir.

Kullanım Alanları

• Sağlık: Hastalık risklerinin öngörülmesi.
• Finans: Kredi başvurularının değerlendirilmesi, dolandırıcılık tespiti.
• Pazarlama: Reklam tıklama olasılıklarının tahmin edilmesi.
• Üretim: Makine arızalarının öngörülmesi.