Logistic Regression Google Open Online Education Indonesian French

Logistic RegressionYouTube↗ IA↗(long shot)
Education 14.3K views 48 likes 15 dislikes 12 Oct 2018

Google Open Online Education 30.4K subscribers United States YouTube↗

Katakanlah kita menghadapi masalah saat memprediksi probabilitas sisi kepala untuk beberapa lemparan koin yang mungkin agak bengkok.

Imaginons un instant que nous devions prédire la probabilité de tomber sur face lorsqu'on tire à pile ou face, avec une pièce légèrement tordue.

Anda mungkin menggunakan fitur seperti sudut bengkokan, massa koin, dan lainnya.

Nous pourrions utiliser des caractéristiques telles que l'angle de courbure, la masse de la pièce, ou bien d'autres encore.

Apa model paling sederhana yang bisa Anda gunakan?

Quel est selon vous le modèle le plus simple que nous pourrions utiliser ?

Kita mungkin bisa gunakan regresi linear seperti yang kita gunakan sebelumnya.

Nous pourrions utiliser la régression linéaire, comme nous l'avons déjà fait.

Tapi mungkin ada beberapa hal aneh di sana.

Mais il pourrait alors se produire des choses étranges.

Misalnya, bagaimana jika kita punya koin baru yang diprediksi dan punya massa yang sangat berat, yang belum pernah kita temukan sebelumnya?

Par exemple, que se passerait-il si la pièce que nous utilisons pour la prédiction a une masse très élevée, que nous n'avons jamais vue auparavant ?

Atau, bagaimana jika kita punya sudut bengkokan yang sangat besar?

Ou si l'angle de courbure est très grand ?

Kita mungkin memprediksi nilai di luar rentang 0 sampai 1.

Nous pourrions obtenir des prédictions en dehors de l'ensemble compris entre 0 et 1.

Itu mungkin probabilitas yang sangat aneh karena probabilitas adalah hal khusus.

Ce serait très étrange pour des probabilités, car les probabilités sont spéciales.

Probabilitas terbatas antara 0 dan 1, dan jika kita punya model prediksi dengan nilai di luar rentang itu, masalah akan muncul.

Elles doivent être comprises entre 0 et 1, et si nous utilisons un modèle de prédiction qui nous donne une valeur en dehors de cet ensemble, nous aurons des problèmes.

Khususnya jika kita mencoba dan mengalikan probabilitas yang diprediksi atau menggunakan probabilitas untuk membuat perkiraan nilai.

En particulier si nous devons essayer de multiplier les probabilités prédites ou de les utiliser pour créer des valeurs attendues, entre autres.

Sebagai solusi pertama, kalian bisa coba dan batasi prediksi itu untuk mengabaikan nilai pencilan apa pun.

Nous pourrions commencer par essayer de limiter cette prédiction, afin d'ignorer toute anomalie.

Tapi kini kita telah perkenalkan bias ke dalam model, dan kita akan mengalami kendala di sana.

Mais cela introduirait un biais dans notre modèle, et nos résultats ne seraient alors pas très bons.

Jadi solusi yang paling tepat adalah memberikan fungsi kerugian dan metode prediksi yang berbeda.

Il faut donc trouver une fonction de perte et une méthode de prédiction légèrement différentes,

Sehingga, nilai bisa ditafsirkan secara natural sebagai probabilitas 0 sampai 1 dan tidak pernah melebihi rentang itu.

qui permettent d'interpréter nos valeurs naturellement comme comprises entre 0 et 1 et jamais hors de cet ensemble.

Kita menyebut ide ini sebagai regresi logistik.

C'est ce que nous appelons la régression logistique.

Metode prediksi yang memberikan probabilitas yang dikalibrasi dengan baik, dan probabilitas ini sangat berguna.

C'est une méthode de prédiction qui donne des probabilités bien calibrées, qui sont extrêmement utiles.

Kita dapat menggunakannya sebagai probabilitas sesungguhnya dan melakukan perkalian untuk mendapatkan nilai yang diperkirakan dan menggunakannya untuk hal seperti tugas klasifikasi guna mengetahui probabilitas sesungguhnya apakah email itu spam atau bukan.

Nous pouvons les utiliser comme des probabilités réelles et les multiplier par d'autres choses pour obtenir des valeurs attendues, ou encore pour les tâches de classification, lorsque nous voulons par exemple connaître la probabilité réelle qu'un e-mail soit indésirable ou non.

Jadi, mari kita lihat cara kerjanya.

Voyons comment cela peut fonctionner.

Ambil model linear tergeneralisasi dan terapkan ke sigmoid.

Nous prenons notre modèle linéaire familier, et nous le plaçons dans une courbe sigmoïde.

Pada dasarnya, sigmoid adalah sesuatu yang memberikan nilai terbatas antara 0 dan 1.

Une courbe sigmoïde nous donne une valeur bornée entre 0 et 1.

Terdapat asimtot sehingga nilainya tidak akan mencapai 0 dan 1.

Des asymptotes l'empêchent d'atteindre le 0 et le 1.

Saat pelatihan, kita melatih menggunakan fungsi kerugian yang berbeda, karena kerugian kuadrat tidak akan bermanfaat di sini.

Au moment de l'apprentissage, nous utilisons une fonction de perte différente. Comme nous l'avons dit, la perte quadratique ne convient pas ici.

Kita gunakan kerugian log, bahwa jika kalian amati formulanya, sangat mirip dengan pengukuran entropi Shannon dari teori informasi.

Nous utilisons la perte logistique. Si vous regardez de près cette formule, vous verrez qu'elle ressemble beaucoup à la mesure d'entropie de Shannon de la théorie de l'information.

Kini kalian tidak harus memahami rumus matematikanya agar bisa melihat penafsiran grafisnya.

Il n'est pas nécessaire de comprendre le calcul pour regarder l'interprétation graphique.

Bisa dilihat bahwa semakin dekat kalian dengan salah satu batangnya, kerugian akan meningkat dengan cepat.

Vous remarquerez que plus on s'approche de l'une des barres, plus la perte augmente, beaucoup et très vite.

Sekali lagi, kita mendapati adanya efek asimtot itu.

Ce sont à nouveau les asymptotes qui jouent leur rôle.

Asimtot sebenarnya sangat penting untuk dipikirkan dalam hal pemelajaran.

Ces asymptotes sont donc assez importantes en termes d'apprentissage.

Karena asimtot itu, kita sangat perlu menggabungkan regularisasi secara eksplisit ke dalam pemelajaran.

À cause d'elles, nous devrons intégrer une régularisation de façon très explicite dans notre apprentissage.

Jika tidak, di kumpulan data yang ditentukan, model mungkin akan mencoba dan menyesuaikan data untuk mendorong kerugian itu mendekati 0.

Si nous ne le faisons pas, alors pour un ensemble de données spécifique, le modèle essaiera de s'adapter toujours plus à nos données, pour réduire ses pertes au maximum.

Regularisasi L2 bisa menjadi sangat berguna untuk memastikan bobot kita tidak melebihi keseimbangan.

La régularisation L2 peut donc s'avérer particulièrement utile dans notre cas, pour garantir que nos pondérations ne sont pas complètement déséquilibrées.

Apa kelebihan dari regresi logistik linear?

Alors quels sont les avantages de la régression logistique linéaire ?

Salah satunya adalah sangat cepat, sangat efisien untuk dilatih, dan efisien untuk membuat prediksi.

Tout d'abord, elle est très rapide, efficace pour l'apprentissage et pour faire des prédictions.

Jika kita perlu metode yang diskalakan dengan baik ke banyak data atau metode untuk digunakan pada prediksi dengan latensi yang sangat rendah, regresi logistik linear bisa jadi pilihan yang tepat.

Ainsi, lorsque nous cherchons une méthode qui s'adapte bien aux données volumineuses ou que nous voulons obtenir des prédictions avec une latence extrêmement faible, la régression logistique linéaire peut être un excellent choix.

Jika perlu non-linearitas, kita bisa mendapatkannya dengan menambahkan produk persilangan fitur.

Si nous avons besoin de non-linéarités, nous pouvons les obtenir en ajoutant des produits de croisement de caractéristiques.