پاورپوینت یادگیری با نظارت: رگرسیون خطی و رگرسیون لجستیک

مقدمه‌ای بر یادگیری با نظارت

یادگیری با نظارت یکی از شاخه‌های اصلی یادگیری ماشین است که در آن مدل با استفاده از داده‌های برچسب‌خورده آموزش می‌بیند. این پاورپوینت به بررسی دو روش مهم در این حوزه یعنی رگرسیون خطی و رگرسیون لجستیک می‌پردازد. رگرسیون خطی برای پیش‌بینی مقادیر پیوسته و رگرسیون لجستیک برای مسائل طبقه‌بندی دودویی کاربرد دارد. در این فایل آموزشی، مفاهیم پایه، فرمول‌ها و مثال‌های عملی به صورت گام‌به‌گام ارائه شده است.

رگرسیون خطی: مفاهیم و کاربردها

رگرسیون خطی ساده‌ترین روش برای مدل‌سازی رابطه بین متغیرهای مستقل و وابسته است. فرض اصلی این روش خطی بودن رابطه است. در این بخش از پاورپوینت، نحوه برازش خط، محاسبه ضرایب با روش حداقل مربعات و ارزیابی مدل با معیارهایی مانند R-squared توضیح داده می‌شود. همچنین مثال‌هایی از پیش‌بینی قیمت مسکن یا تحلیل روند فروش ارائه شده است.

رگرسیون لجستیک: از تابع سیگموئید تا طبقه‌بندی

رگرسیون لجستیک علیرغم نامش، یک روش طبقه‌بینی است که از تابع سیگموئید برای تبدیل خروجی خطی به احتمالات بین صفر و یک استفاده می‌کند. این پاورپوینت به صورت جامع نحوه آموزش مدل، تابع هزینه (Cross-Entropy) و معیارهای ارزیابی مانند دقت و منحنی ROC را پوشش می‌دهد. کاربردهای رگرسیون لجستیک در تشخیص پزشکی و تشخیص هرزنامه نیز بررسی شده است.

مقایسه و انتخاب مدل مناسب

در انتهای این فایل آموزشی، تفاوت‌های کلیدی بین رگرسیون خطی و رگرسیون لجستیک از نظر هدف، خروجی و معیارهای ارزیابی مقایسه می‌شود. همچنین نکاتی برای انتخاب مدل مناسب بر اساس نوع داده و مسئله ارائه شده است. این پاورپوینت یک منبع کامل برای دانشجویان و پژوهشگران حوزه یادگیری ماشین است که به دنبال درک عمیق‌تر این دو روش هستند.