로지스틱 회귀는 선형 회귀 방식을 분류에 적용한 알고리즘
사건이 일어나고(1) 일어나지 않고(0)를 예측하는 것이 로지스틱 회귀 모델의 목표
<예시>
신경망에서 자주 이용하는 활성화 함수.
Logistic Regression 또는 Neural network의 Binary classification(이진분류) 마지막 레이어의 활성함수로 사용하는 함수.
함수값이 (0,1)로 제한됨.
중간 값은 1/2.
매우 큰 값을 가지면 함수값은 거의 1이며, 매우 작은 값을 가지면 거의 0임.
단순히 선형회귀 모델을 사용하지 않고, 굳이 시그모이드 함수를 사용해야 하는 이유는
사건이 발생하고, 발생하지 않는 결과를 선형으로 표현하게 됐을 때 문제점이 발생하기 때문
(새로운 값의 추가가 기존 분류 모델에 큰 영향을 미치게 되는 문제점)
로지스틱 회귀가 선형 회귀와 다른 점은 학습을 통해 선형 함수의 회귀 최적선을 찾는 것이 아니라 시그모이드(Sigmoid) 함수 최적선을 찾고 이 시그모이드 함수의 반환 값의 확률에 따라 분류를 결정한다는 것
Logistic Regression 이란 Binary classifcation 문제의 아웃픗을 표현하기 위한 알고리즘으로서, Sigmoid 함수를 Activation Function으로 사용하며 그 결과값은 0~1사이의 확률 값으로 표현이 된다.