Régression linéaire vs régression logistique : différences et fonctionnement votre marque

Régression linéaire vs régression logistique : différences et fonctionnement

Obtenez une consultation gratuite de 15 minutes avec nos experts.

PARTAGER L’ARTICLE SUR

Table des matières

L’apprentissage automatique est l’une des technologies les plus avancées dans le monde d’aujourd’hui axé sur les données. De nombreuses entreprises sondent leur public et recueillent des tonnes et des tonnes de données pour en tirer des conclusions. Elles utilisent des outils avancés de science des données pour le processus de prédiction.

La régression linéaire et la régression logistique sont les deux algorithmes les plus célèbres et les plus couramment utilisés en matière d’apprentissage automatique. Les deux étant des algorithmes d’apprentissage automatique supervisés, ils servent des objectifs différents. La régression linéaire est utilisée pour prédire les valeurs continues, tandis que la régression logistique est utilisée dans la classification binaire des valeurs.

Dans cet article, nous verrons en quoi les deux sont différents l’un de l’autre. Commençons tout d’abord par définir les deux.

Régression linéaire vs régression logistique : définition

Qu’est-ce que la régression linéaire ?

Une régression linéaire d’algorithme d’apprentissage automatique supervisé suppose la présence d’une relation linéaire entre des variables indépendantes et dépendantes. La régression linéaire est utilisée pour prédire la valeur en fonction de la variable indépendante. 

Qu’est-ce que la régression logistique ?

La régression logistique est également un algorithme d’apprentissage automatique supervisé. Cependant, le point de différence est qu’il s’agit d’un algorithme de classification. La régression logistique utilise la valeur de la variable indépendante pour prédire la catégorie de la variable dépendante. 

Transformez votre collecte d’informations

Créez un processus de collecte d’insights exploitable.

online survey

Différence entre régression linéaire et régression logistique

Caractéristique

Régression linéaire

Régression logistique

Définition

Technique d’apprentissage supervisé pour résoudre des problèmes de régression

Technique d’apprentissage supervisé principalement utilisée pour les problèmes de classification

Utilisation

Utilisée pour prédire des valeurs dépendantes continues à l’aide de variables indépendantes

Utilisée pour la classification binaire ou la séparation de valeurs dépendantes discrètes à l’aide de variables indépendantes

Sortie

La production ne peut être que des valeurs continues telles que l’âge, la taille, le temps, le prix, le salaire, etc.

La sortie ne peut être comprise qu’entre 0 et 1.

Sortie graphique

Nous trouvons une ligne linéaire la mieux ajustée qui prédira la prochaine valeur ou variable

On trouve une courbe en S ou courbe sigmoïde qui classe les variables

Précision de l’estimation

Méthode du moindre carré

Méthode d’estimation de la probabilité maximale

Relation variable

La relation entre la variable dépendante et indépendante doit être linéaire

La relation entre la variable dépendante et indépendante n’est pas requise

Colinéarité

La colinéarité entre variables indépendantes est autorisée

La colinéarité entre variables indépendantes n’est pas autorisée

Applications

Utilisée dans les entreprises et la prévision des stocks

Utilisée dans la classification et le traitement d’images

[Lire aussi : Hypothèse de régression logistique]

Téléchargez la boîte à outils d’étude de marché

Obtenez le guide des tendances des études de marché, le guide des sondages en ligne, le guide d’étude de marché agile et 5 modèles d’étude de marché

Making the most of your B2B market research in 2021 PDF 3 s 1.png

Régression linéaire vs régression logistique : fonctionnement

Étapes d’exécution de la régression linéaire

La régression linéaire est un algorithme d’apprentissage automatique utilisé pour prédire les valeurs des variables de sortie en fonction des valeurs des variables d’entrée.

Les variables x sont les variables d’entrée indépendantes et y sont les variables de sortie dépendantes. La valeur de y dépend de la valeur de x.

Régression linéaire vs régression logistique : différences et fonctionnement votre marque

La régression linéaire fonctionne en définissant la relation entre les variables d’entrée et de sortie. Elle trace une ligne qui trace les données d’entrée et les mappe aux données de sortie. Cette ligne est la ligne d’ajustement et est une représentation mathématique de la relation entre les variables indépendantes. La ligne est destinée à couvrir autant de variables d’entrée que possible et les variables laissées de côté sont les valeurs aberrantes.

La ligne de régression s’écrit comme suit :

y= a0 + a1x + e

a0 est t intercept

a1 est la pente de la ligne

y est une variable de sortie dépendante

x est une variable d’entrée indépendante

e est le terme d’erreur

 

Exemple :

Régression linéaire vs régression logistique : différences et fonctionnement votre marque

Le graphique ci-dessus montre l’expérience en tant que variable d’entrée et le salaire en tant que variable de sortie. Par conséquent, cela signifie qu’à mesure que votre expérience grandit, votre salaire est appelé à augmenter aussi. De cette façon, grâce à la régression linéaire, vous pouvez prédire combien sera approximativement votre salaire lorsque vous aurez 11 ans d’expérience.

Découvrez le logiciel d’enquête Voxco en action avec une démonstration gratuite.

Étapes d’exécution de la régression logistique

La régression logistique dans l’apprentissage automatique est utilisée pour prédire la catégorie de la variable dépendante en fonction de la variable indépendante avec 0 ou 1 comme sortie.

Les données d’entrée appartiennent déjà à une catégorie, ce qui signifie que plusieurs valeurs d’entrée peuvent correspondre à une valeur de sortie. Nous utilisons la régression logistique pour prédire à quelle catégorie appartiendra la nouvelle valeur d’entrée. Par conséquent, l’entrée est mappée en 0 ou 1.

Régression linéaire vs régression logistique : différences et fonctionnement votre marque

Une fois la courbe dessinée, montrant le mappage des données à la sortie, nous avons besoin d’une ligne pour séparer clairement ces deux sorties. Cette ligne est appelée le seuil. La valeur à laquelle cette ligne est tracée est appelée la valeur de seuil.

Régression linéaire vs régression logistique : différences et fonctionnement votre marque

L’équation de la régression logistique est donnée par :

Régression linéaire vs régression logistique : différences et fonctionnement votre marque

Exemple :

Supposons que vous ayez une liste d’identifiants d’employés et que vous souhaitiez bifurquer les identifiants en fonction de leur légitimité et de leur fraude. Dans de tels cas, vous utiliserez la régression logistique.

Similitudes entre la régression linéaire et la régression logistique

Il y a très peu de similitudes entre les deux modèles de régression.

  1. Les deux sont des algorithmes d’apprentissage automatique supervisés.
  2. Les deux modèles de régression utilisent l’équation linéaire pour la prédiction.

Résumé :

Cela résume les différences entre la régression linéaire et la régression logistique. Alors que la régression linéaire peut vous aider à prédire le prix d’une voiture ou d’un appartement, la régression logistique peut classer si un grain de beauté sur un corps est bénin ou malin.

Le modèle de régression peut être utilisé pour prendre des décisions éclairées. Pour en savoir plus sur la façon dont vous pouvez utiliser l’apprentissage automatique pour prédire les résultats ou classer les éléments, n’hésitez pas à nous contacter.

Parcourez tout ce que les sondages Voxco ont à offrir!

Explore all the survey question types
possible on Voxco

Read more

Automated Predictive Dialer cvr

Numéroteur automatique

Numéroteur automatique PARTAGER L’ARTICLE SUR Table des matières Qu’est-ce qu’un numéroteur automatique ? Ce qui est nommé un composeur automatique est un programme utilisé pour

Read More »