Логистическая регрессия, самое простое объяснение!

[@start_ds]

t.me/start_ds - Тут публикуются материалы для прокачки скиллов в DS и подготовки к собеседованиям. Пишем про технические тулзы, визуализацию данных, бизнесовые задачи, разбираем ML-алгоритмы и обсуждаем смежные темы :)

[@3_ton843]

Спасибо огромнейшее за понятный и интересный разбор этой темы! С нетерпением буду ждать следующих видео :)

[@РоманКучерявий-е7э]

Спасибо большое, очень хорошо обьясняешь

[@СергейХромин-у4м]

Для кого непонятен вывод на 10:53 Latex-code: Это почти логистическая регрессия, проведем ряд формул Исходный функционал с логарифмами $-\sum_{i=1}^l[y_i=-1]log\sigma() + [y_i=1]log(1 - \sigma()) =$ Подставим сигмоиду $-\sum_{i=1}^l[y_i=-1]log\frac{1}{1 + exp(-)} + [y_i=1]log(1 - \frac{1}{1 + exp(-)}) =$ Приведем дробь к общему знаменателю в $log(1 - \frac{1}{1 + exp(-)})$ и проделаем несложные операции с дробями $-\sum_{i=1}^l[y_i=-1]log\frac{1}{1 + exp(-)} + [y_i=1]log(\frac{1}{1 + exp()}) =$ Воспользуемся свойством логарифма $log(1/x) = -log(x)$ - пропадет минус перед суммой $\sum_{i=1}^l[y_i=-1]log{1 + exp(-)} + [y_i=1]log({1 + exp()}) =$ Слогаемые отличаются только знаком, заметим, что знак перед скалярным произведеним противоположени со знаком индикатора, то есть мы можем просто убрать разделение, заменив знак обратным $y_i$ $\sum_{i=1}^l log(1 + exp(-y_i \times))$

[@Wmysterion]

Интересное видео + отсылки на брекин бэд, класс

[@Тимыч-я1р]

Спасибо большое, наконец-то я понял, что такое логрег

[@danilarudnev2768]

Спасибо большое очень помогли!

[@mikochergin3698]

Хорошее видео. На последнем слайде опечатка: в столбце про мошенников в разделе "Таргет" дублируется текст из столбца "Антиспам". А должно быть: 0 - мошенническая операция, 1 - обычная операция.

[@Тимыч-я1р]

Подскажите, пожалуйста, когда будет видео про бустинг?

[@escapedraccoon8507]

Сложнослайд😅 огонь термин

[@mikhailzhitnikov3715]

[yi=+1] это boolean [0,1]?

[@Alexxandr____o]

Не понятно как мы нашли веса в начале видео🤔что предсказывали то? если мы строим обычную регрессию, то нам ведь нужен какой-то таргет, для которого мы уравнение линейной регрессии строим.

[@freedomtv2295]

так тут таргет это и есть столбец который определяет к какому классу принадлежит объект, просто мы его в [0,1] переводим сигмоидой