# Lojistik Regresyon

Canonical: https://manyspace.aporia.systems/tr/tools/logistic-regression
Updated: 2026-10-13

Dosdoğru bir çizgi, bir sıkıştırma fonksiyonu ve iki nokta bulutu: sınırı elle çiz, sonra eğim inişinin kendisininkini göstermesine izin ver.

## Şunları dene

- Temiz ayrımı hak et. İki öbekte, hata sıfırlanana kadar çizgiyi boşluk sürüklemeleriyle it — sonra gösterip çizgini eğitime karşılaştır.
- Sıkışmayı hisset. Sondayı çizgiden uzağa park et (P sıfıra ya da bire yakın), sonra üstünden geçir: olasılık en hızlı tam sınırda savrulur.
- Çizgiyi kır. XOR köşelerini aç ve her eğimi dene — köşeleri hiçbir doğru sınır ayıramaz. Bu başarısızlık, sinir ağlarının gizli katmanlara neden ihtiyaç duyduğudur.

## Sınır nasıl okunur

Her nokta bir skor alır, w₁x₁ + w₂x₂ + b: çizgi, bu skorun sıfır olduğu yerdir. Sigmoid her skoru olasılığa sıkıştırır — çizgiden uzaklık güven, çizginin üstü yazı-tura demektir.

Ağırlıkları sürükle, çizginin eğilip kaydığını izle; sondayı sürükle, olasılığını oku. Göster düğmesi aynı modeli eğim inişiyle eğitir — aynı tahtada senin elin algoritmaya karşı.

## İlgili araçlar

- [Gradyan İnişi Laboratuvarı](https://manyspace.aporia.systems/tr/tools/gradient-descent)
- [Kayıp Fonksiyonu Gezgini](https://manyspace.aporia.systems/tr/tools/loss-functions)
- [k-Means Görselleştirici](https://manyspace.aporia.systems/tr/tools/k-means)
- [İleri Geçiş](https://manyspace.aporia.systems/tr/tools/neural-network)
- [Geri Yayılım](https://manyspace.aporia.systems/tr/tools/backpropagation)
- [Dikkat Görselleştirici](https://manyspace.aporia.systems/tr/tools/attention)
- [Tokenizasyon Gezgini](https://manyspace.aporia.systems/tr/tools/tokenization)