Makine öğrenmesine yeni başladığımda, “Lojistik regresyon” kavramını ilk duyduğumda kafam çok karışmıştı. Çünkü daha önce lineer regresyonu öğrenmiş ve bunun sayısal tahminler yapmak için kullanıldığını anlamıştım.
Ama lojistik regresyon, farklı bir dünyaya açılan kapıydı: Sınıflandırma.
Bu yazıda, lojistik regresyonu ilk kez öğrenen biri olarak, onu nasıl anladığımı ve neden bu kadar yaygın kullanıldığını sade ve teknik bir dille anlatmak istiyorum.
Lojistik Regresyon Nedir?
Lojistik regresyon, bir olayın olasılığını tahmin etmek için kullanılan bir istatistiksel modeldir. Özellikle çıktının iki sınıftan biri olduğu durumlarda tercih edilir.
Yani:
“Bu e-posta spam mi, değil mi?”
“Bu müşteri ürünü satın alır mı, almaz mı?”
“Hastalık var mı, yok mu?”
İlk projemde, lojistik regresyonu şu şekilde kullandım:
Bir öğrencinin ders geçip geçmeyeceğini, önceki sınav notları ve devamsızlık bilgisine bakarak tahmin etmek istiyordum.
Çıktı sadece iki seçenekti: ✅ Geçti / ❌ Kaldı
Bu tam olarak lojistik regresyonun işi.
Matematiksel Temel
Lojistik regresyon, aslında lineer regresyonun bir devamı gibi düşünebiliriz ama önemli bir farkla:
- Lineer regresyon doğrudan tahmin yapar (örneğin: 72 puan).
- Lojistik regresyon bir olasılık değeri üretir (0 ile 1 arasında) ve bu değere göre sınıflandırma yapar.
Bu işin matematiksel arka planında sigmoid fonksiyonu yer alır:
Bu denklem sayesinde, X değerini artırdıkça çıktı değeri 0 ile 1 arasında şekillenir. Olasılık %50’yi geçerse genellikle sınıf “1” olarak kabul edilir.
Lojistik Regresyon Nerelerde Kullanılır?
Benim deneyimime göre lojistik regresyon;
- Basit ama güçlü,
- Hızlı çalışan,
- Yorumlanabilir bir model.
En yaygın kullanım alanları:
- Tıp: Hastalık teşhisi (hastalık var / yok)
- Pazarlama: Müşteri dönüşüm tahmini
- Finans: Kredi skoru / temerrüt riski
- E-posta filtreleme: Spam / değil
- Endüstri: Arıza tahmini (olur / olmaz)
İlk kez bu modeli kullandığımda şaşırdığım şey, çok az veriyle bile tatmin edici sonuçlar alınabiliyor olmasıydı.
