Machine learningMachine learning
온라인 로지스틱 회귀
온라인 로지스틱 회귀는 확률적 경사 하강법(stochastic gradient descent)을 통해 한 번에 하나의 샘플(또는 미니 배치)씩 로지스틱 분류기를 적합시키며, 전체 데이터셋을 보기 전에 각 관측치가 도착하는 대로 모델 가중치를 업데이트합니다. 이는 배치 학습이 불가능한 고용량, 스트리밍 또는 메모리 제약이 있는 이진 분류 문제에 표준적인 선택이 됩니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Bottou, L. (2010). Large-Scale Machine Learning with Stochastic Gradient Descent. In Proceedings of COMPSTAT 2010, 177–186. Physica-Verlag. link ↗
- Shalev-Shwartz, S. (2012). Online Learning and Online Convex Optimization. Foundations and Trends in Machine Learning, 4(2), 107–194. DOI: 10.1561/2200000018 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Online Logistic Regression (Incremental Stochastic Gradient Descent). ScholarGate. https://scholargate.app/ko/machine-learning/online-logistic-regression
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- 로지스틱 회귀 (ML)머신러닝↔ compare
- 온라인 학습머신러닝↔ compare
- 온라인 선형 회귀머신러닝↔ compare
- 정규화 로지스틱 회귀머신러닝↔ compare
- 준지도 학습 로지스틱 회귀머신러닝↔ compare