مقایسه رگرسیون لوژیستیک با برخی از روش های یادگیری ماشین در رده‌بندی داده‌ها

یکی از مسائل مهم در علوم مختلف موضوع رده‌بندی است. رگرسیون لوژیستیک یکی از روش‌های آماری برای رده‌بندی داده‌ها است که در آن توزیع داده‌ها معلوم فرض می‌شود.محققان امروزه علاوه بر روش‌های آماری از روش‌های دیگری که در آن نیاز به معلوم بودن توزیع داده‌ها نیست مانند روش‌های یادگیری ماشین برای رده‌بندی داده‌ها استفاده می‌کنند . در این در این مقاله علاوه بر رگرسیون لوژیستیک، برخی از الگوریتم های یادگیری ماشین شامل cart،تقویت، bagging جنگل تصادفی در حوزه ی یادگیری با نظارت توضیح داده می شود. در نهایت با استفاده از 4 مجموعه داده واقعی و یک مثال شبیه سازی شده کارایی رگرسیون لوژیستیک با الگوریتم‌های یادشده بر اساس معیار دقت و حساسیت و صحت مورد مقایسه قرار می گیرند.

Comparison of logistic regression with some machine learning methods in classifying data

The subject of classification is one of the important issues in different sciences. Logistic regression is one of the statisticalmethods to classify data in which the underlying distribution of the data is assumed to be known. Today, researchers inaddition to statistical methods use other methods such as machine learning in which the distribution of the data does notneed to be known. In this paper, in addition to the logistic regression, some machine learning methods including CARTdecision tree, random forest, Bagging and Boosting of supervising learning are introduced. Finally, using four real datasets, we compare the performance of these algorithms with respect to the accuracy measure.