الانحدار اللوجستي (Logistic Regression) Logistic Regression

الصياغة

P(y=1 | X) = 1 / (1 + exp(−(w·X + b)))

# التدريب بأقل log loss:
min −Σ [y·log(p) + (1−y)·log(1−p)]

📄 مثال

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split

X, y = load_breast_cancer(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42, stratify=y)

model = LogisticRegression(max_iter=1000, C=1.0)
model.fit(X_train, y_train)

print(f"دقة الاختبار: {model.score(X_test, y_test):.3f}")
proba = model.predict_proba(X_test[:3])
print("احتمالات أول 3 عيّنات:")
print(proba.round(2))

أهم النقاط

💡 نصائح عملية

• StandardScaler قبل Logistic Regression مهم حين التنظيم قوي — وإلا تختلف تأثيرات الميزات بسبب مقاساتها
• ابدا بـ LogisticRegression كـ baseline قبل الانتقال لنماذج أعقد — كثير من المشاكل الحقيقية لها حدود خطية كفاية

⚠️ أخطاء شائعة

• تفسير الاسم "regression" على أنه لمشاكل الانحدار — للوغستيك تصنيف فقط، انحدارًا استخدم LinearRegression أو غيره
• عدم التحقق من convergence warning — max_iter كبير جدًا أو مقاسات غير موحّدة قد يجعل التقارب بطيئًا أو غير مكتمل

خصائص ذات صلة