โลจิสติกเรสเชียน (Logistic Regression) และโลจิสติกเรสเชียนแบบมัลติโนเมียล (Multinomial Logistic Regression) เป็นอัลกอริทึมการเรียนรู้แบบมีการควบคุมที่ใช้ในงานทำนายหรือจำแนกข้อมูลที่มีความน่าจะเป็นเป็นตัวแปรตามหรือตัวแปรต้านมากกว่าสองกลุ่ม โดยมักนิยมใช้กับงานทำนายที่มีตัวแปรเป้าหมายเป็นแบบหมวดหมู่หลายกลุ่ม
- โลจิสติกเรสเชียน (Logistic Regression):
โลจิสติกเรสเชียนเป็นอัลกอริทึมการเรียนรู้ที่ใช้ในงานทำนายหรือจำแนกข้อมูลที่มีความน่าจะเป็นเป็นตัวแปรตามที่มีค่าอยู่ในช่วงระหว่าง 0 ถึง 1 ซึ่งเรียกว่าความน่าจะเป็น (Probability) ว่าตัวแปรตามนั้นจะอยู่ในกลุ่มที่กำหนดหรือไม่กำหนด
โมเดลโลจิสติกเรสเชียนนี้ใช้ส่วนหนึ่งของการเรียนรู้แบบเส้นตรง (Linear Regression) โดยทำนายความน่าจะเป็นในการอยู่ในกลุ่ม 1 ว่าง่ายหรือยาก หรือในกลุ่ม 0 ว่าง่ายหรือยาก โดยใช้ฟังก์ชันชื่อ “ซิกมอยด์” (Sigmoid) เพื่อแปลงค่าเส้นตรงให้อยู่ในช่วง 0-1
- โลจิสติกเรสเชียนแบบมัลติโนเมียล (Multinomial Logistic Regression):
โลจิสติกเรสเชียนแบบมัลติโนเมียลเป็นการขยายโลจิสติกเรสเชียนให้สามารถจำแนกหลายกลุ่มข้อมูลได้ โดยการใช้ฟังก์ชัน Softmax ในชั้นเอาต์พุตของโมเดลเพื่อแปลงค่าผลลัพธ์เป็นความน่าจะเป็นของแต่ละกลุ่ม
โมเดลนี้ให้ผลลัพธ์เป็นความน่าจะเป็นของการอยู่ในแต่ละกลุ่มที่มีค่าอยู่ในช่วง 0-1 และความน่าจะเป็นของแต่ละกลุ่มบวกกันเท่ากับ 1 ทำให้โมเดลสามารถจำแนกหลายกลุ่มได้เป็นอย่างดี
ในที่สุด ทั้งโลจิสติกเรสเชียนและโลจิสติกเรสเชียนแบบมัลติโนเมียลมีความสามารถในการจำแนกข้อมูลและทำนายความน่าจะเป็นที่น่าสนใจในการแก้ไขปัญหาในด้านต่างๆ ซึ่งใช้กันอย่างกว้างขวางในงานวิจัยและประยุกต์ใช้ในธุรกิจและอุตสาหกรรมต่างๆ อย่างที่มีผลกระทบในการพัฒนาเทคโนโลยีและการแก้ไขปัญหาในชีวิตประจำวันของเรา
โลจิสติกเรสเชียน (Logistic Regression) เป็นอัลกอริทึมที่นิยมใช้ในงานทำนายและจำแนกข้อมูลเป็นกลุ่ม ซึ่งเป็นการแก้ไขปัญหาในงานทำนายและจำแนกหรือจำแนกข้อมูลที่เป็นตัวแปรเป้าหมายที่มีความน่าจะเป็นเป็นค่าในช่วงระหว่าง 0 ถึง 1 โดยให้ความหมายว่าข้อมูลอยู่ในกลุ่มหนึ่งหรือกลุ่มที่สอง
ในกระบวนการการทำนายแบบโลจิสติกเรสเชียน โมเดลจะทำนายความน่าจะเป็นว่าข้อมูลอยู่ในกลุ่มที่กำหนดหรือไม่กำหนด โดยใช้ฟังก์ชัน Sigmoid เพื่อแปลงค่าเส้นตรงให้อยู่ในช่วง 0-1 ทำให้สามารถแยกกลุ่มของข้อมูลได้อย่างแม่นยำ
โลจิสติกเรสเชียนมักนิยมใช้งานในหลายงาน เช่น การจำแนกอีเมลเป็นอีเมลสแปมหรือไม่สแปม การจำแนกลูกค้าเป็นกลุ่มที่สนใจซื้อสินค้าหรือไม่สนใจ และอื่นๆ โดยเฉพาะในงานที่มีความต้องการในการทำนายและจำแนกข้อมูลในรูปแบบกลุ่ม 2 กลุ่มขึ้นไป
ฟังก์ชันซิกมอยด์หรือฟังก์ชันโลจิสติก (Logistic Function) เป็นฟังก์ชันที่มีลักษณะคล้ายกับแครื่องหมายทางการแพทย์ “S” โดยฟังก์ชันนี้ทำหน้าที่แปลงค่าตัวเลขให้อยู่ในช่วงค่าระหว่าง 0 ถึง 1 ซึ่งเหมาะสำหรับใช้ในงานที่ต้องการคำนวณความน่าจะเป็นหรือต้องการทำนายค่าความน่าจะเป็น ซึ่งมักนิยมใช้ในงานทำนายแบบโลจิสติกเรสเชียน
ฟังก์ชันซิกมอยด์สามารถแสดงด้วยสมการทางคณิตศาสตร์ได้เป็น:
f(z) = 1 / (1 + e^(-z))
ที่ในนั้น:
- f(z) คือค่าผลลัพธ์หลังจากที่นำค่า z มาแทนในฟังก์ชันซิกมอยด์
- z คือค่าของตัวเลขที่ต้องการแปลง
- e คือเลขคงที่รากที่สองของเลขฐานธรรมดา (e = 2.71828 เป็นต้น)
ตัวอย่างของฟังก์ชัน sigmoid
![](https://tiyaai.easemyphd.com/wp-content/uploads/2023/08/1200px-Logistic-curve.svg_-1024x683.png)
ภาพจาก https://en.wikipedia.org/wiki/Sigmoid_function