로지스틱 회귀모델

지난주에서 이어진 질문

선형회귀에서 다룬 득점·연봉·WAR 같은 숫자 예측을 다시 살펴보고, 승리·패배처럼 범주를 예측하는 문제로 확장했습니다. 회귀와 분류는 입력 데이터가 아니라 예측하려는 Target과 평가 방식에서 구분됩니다.

왜 로지스틱 회귀인가

승패를 0과 1로 두고 선형회귀를 적용하면 0보다 작거나 1보다 큰 값이 나올 수 있어 확률로 해석하기 어렵습니다. 로지스틱 회귀는 선형 점수를 Sigmoid 함수로 변환해 0과 1 사이의 확률을 출력합니다.

3기 3회차 메인 발표 · PDF 6쪽

확률에서 판단까지

확률, Odds, Odds Ratio, Logit의 관계를 살펴보고, 확률을 승리와 패배로 바꾸는 임계값이 별도의 판단이라는 점을 확인했습니다. Accuracy, F1, ROC-AUC, Log Loss처럼 목적에 따라 평가 지표도 달라집니다.

3기 3회차 메인 발표 · PDF 15쪽

데이터 정의

경기 시작 전에 알 수 있는 최근 성적, 득실점 차, 선발투수 기록, 불펜 소모량과 홈·원정 정보를 입력으로 둘 수 있습니다. 무승부를 제외할지 비승리로 처리할지는 모델을 학습하기 전에 정해야 합니다.

팀 작업

각 팀의 스포츠 질문을 분류 문제로 바꾸고 분석 과정과 한계를 발표했습니다. 발표와 질의응답을 거치며 모델보다 예측 대상의 정의와 예측 시점 통제가 먼저라는 점을 확인했습니다.