Логистическая регрессия
В книге рассказывается о математическом аппарате логистической регрессии, способах интерпретации регрессионных коэффициентов, даются программные реализации методов оценивания (метод градиентного спуска, метод Ньютона без регуляризации / с регуляризацией), приведены примеры развертывания моделей с помощью Streamlit, Streamlit Cloud, Docker, FastAPI и Flask.
Книга будет интересна специалистам по анализу данных, маркетологам и риск-аналитикам.
Логистическая регрессия в машинном обучении
Логистическая регрессия широко применяется в машинном обучении и анализе данных для решения задач бинарной классификации. Этот метод помогает оценивать вероятность наступления определенного события и может использоваться при построении моделей классификации и прогнозировании.
Практическое применение моделей
Материал будет полезен тем, кто изучает Python для анализа данных, интересуется статистическим моделированием и хочет применять алгоритмы машинного обучения на практике. Рассмотренные методы позволяют понять принципы построения и оценки предиктивных моделей.
Логистическая регрессия востребована в предиктивной аналитике, где математические модели используются для прогнозирования поведения клиентов, оценки рисков и принятия решений на основе данных.
Книга также подойдет специалистам, которые хотят разобраться в бинарной классификации, оценке вероятностей и практическом внедрении моделей машинного обучения в прикладные проекты.
