الانحدار اللوجستي: كيف يتحول الاحتمال إلى قرار؟
Logistic Regression
الجواب المختصر
الانحدار اللوجستي يُستخدم حين تكون النتيجة المطلوبة فئة (0 أو 1) كنجاح/فشل أو سبام/ليس سبام. بدل توقع رقم مفتوح يتوقع احتمالًا بين 0 و1، ثم يحوّله إلى قرار بعتبة. يحسب أولًا قيمة خطية z = b0 + b1·x ثم يحولها إلى احتمال p بدالة السيجمويد: p = 1 / (1 + e^(−z)).
شرح مفصّل
إذا كانت z كبيرة موجبة اقترب p من 1، وإذا كانت كبيرة سالبة اقترب من 0، والمنطقة الوسطى حول p ≈ 0.5 هي منطقة الانتقال.
من الاحتمال إلى القرار
- إن كان p ≥ 0.5 نقرر 1 (نجاح)، وإلا نقرر 0 (فشل).
- يمكن تغيير العتبة (0.6 أو 0.7) لجعل القرار أكثر صرامة.
- الفرق بين predict (القرار 0 أو 1) وpredict_proba (الاحتمالات).
مثال: ساعات الدراسة واحتمال النجاح؛ العلاقة الواقعية بينهما ليست خطًا مستقيمًا بل ترتفع تدريجيًا ثم تستقر، وهذا ما يرسمه منحنى السيجمويد. يُدرَّب النموذج على 80% من البيانات ويُقاس أداؤه على 20% (دقة = عدد التوقعات الصحيحة ÷ عدد عينات الاختبار).
| السؤال | الجواب |
|---|---|
| لماذا ليس خطًا مستقيمًا؟ | الاحتمال يجب أن يبقى بين 0 و1 |
| ما دور السيجمويد؟ | يحوّل القيمة الخطية z إلى احتمال |
| ما دور العتبة؟ | تحويل الاحتمال إلى قرار 0 أو 1 |
وهو نموذج تصنيف رغم اسمه، ويقابله الانحدار الخطي. وللتقسيم: التدريب والاختبار.
تذكير
الدقة وحدها قد تخدع إن كانت إحدى الفئتين نادرة جدًا؛ فنموذج يقول دائمًا «فشل» قد يبدو دقيقًا في بيانات أغلبها فشل. لذلك يُنظر إلى توزيع الفئات (تقسيم البيانات).
المصطلحات: عربي ↔ English
- انحدار لوجستي
- Logistic Regression
- دالة السيجمويد
- Sigmoid Function
- عتبة
- Threshold
- احتمال
- Probability
لماذا يهمّ هذا في BTEC؟
لماذا لا نستخدم الانحدار الخطي؟ لأن الخط المستقيم قد يعطي قيمًا أكبر من 1 أو أقل من 0 والاحتمال يجب أن يبقى بينهما.
أسئلة تجيب عنها هذه الصفحة
- ما هو الانحدار اللوجستي؟
- ما هي دالة السيجمويد؟
مفاهيم مرتبطة
- التصنيف والانحدار: كيف أعرف نوع المهمة؟إذا كانت المخرجات اسمًا أو فئة (نعم/لا، قطة/كلب، سبام/ليس سبام) فهي مهمة تصنيف، وإذا كانت رقمًا مستمرًا (سعر، طول، حرارة، علامة) فهي انحدار. وقد سمّي انحدارًا لأن هدفه توقع قيمة رقمية لا فئة.
- الانحدار الخطي (Linear Regression) ومقياس الخطأ MSEالانحدار الخطي يبحث عن أفضل خط مستقيم y = mx + c يقرّب العلاقة بين المدخل والمخرج، حيث m الميل وc المقطع. ويقيس MSE متوسط مربع الخطأ بين القيم الحقيقية والمتوقعة: كلما صغر كان النموذج أدق.
- مجموعات التدريب والتحقق والاختبار: كيف نقسّم البيانات ولماذا؟نقسّم البيانات إلى تدريب (يتعلم منها النموذج)، وتحقق (لضبط الإعدادات واختيار البنية)، واختبار (تُحفظ بعيدًا لقياس الأداء الحقيقي بعد التدريب). ويجب أن تحافظ المجموعات على نسب الفئات نفسها، وأن يُعزل الاختبار فلا تتلوث بيانات الاختبار.
عن كاتب الصفحة
مدرّس BTEC IT · الأردن
- نوع المحتوى
- شرح مبني على مادة أحمد دومي — وليس نصًّا رسميًّا من Pearson
- آخر مراجعة
- ملاحظة على المصدر
- تعتمد هذه الصفحة على ملاحظات قصيرة لأحمد دومي عن الموضوع، وأُضيف إليها شرح توضيحي عام ليكتمل الجواب.
- المصدر
- ملاحظات تعلّم الآلة وأدوات الذكاء الاصطناعي (أحمد دومي) — الانحدار اللوجستي