Hur AI fungerar

Logistisk regression i maskininlärning: enkelt förklarat

·

Logistisk regression, på engelska logistic regression, är en metod i maskininlärning som räknar ut sannolikheten att ett exempel hör till en viss klass, oftast ja eller nej. Därför används den mycket för binär klassificering, alltså problem med två möjliga svar, till exempel skräppost eller inte skräppost.

Det här är en form av övervakad inlärning, där modellen tränas på exempel med facit. Om ord som sigmoidfunktion, odds och tröskel känns nya kan du slå upp dem i vår ordlista.

I korthet

  • Logistisk regression används oftast för att välja mellan två klasser.
  • Modellen räknar först en sannolikhet mellan 0 och 1 med en sigmoidfunktion, alltså en S-kurva.
  • Namnet regression finns kvar eftersom modellen först skattar ett tal och sedan gör om det till en klass med en tröskel.
  • Träningen justerar vikter så att sannolikheterna stämmer så bra som möjligt med facit i datan.
  • Metoden är snabb och tydlig, men den har en rak beslutsgräns och kan behöva regularisering för att inte bli för anpassad till träningsdatan.

Vad är logistisk regression?

Logistisk regression används när svaret är en kategori i stället för ett fritt tal. Ofta finns två möjliga svar, till exempel skräppost eller inte, kund säger upp sig eller stannar kvar, lån godkänns eller avslås.

Modellen ger först ett värde mellan 0 och 1. Det värdet tolkas som sannolikheten för ja-klassen. Sedan väljer man klass med en gräns, ofta 0,5. Det är därför logistisk regression i praktiken är en metod för klassificering.

  • Typ av uppgift: klassificering
  • Vanligast: två klasser, alltså binär klassificering
  • Utdata: en sannolikhet som sedan blir en klass via en tröskel
  • Vanliga användningar: skräppostfilter, kreditbedömning, churn och medicinska riskmodeller

Varför heter det regression om det används för klassificering?

Namnet lurar många. När man hör regression tänker man ofta på att förutsäga ett tal, som ett pris eller en temperatur. Logistisk regression börjar också med ett tal, men stannar inte där.

Först skattar modellen en sannolikhet, alltså ett numeriskt värde mellan 0 och 1. Sedan jämförs sannolikheten med en tröskel för att välja klass. Om sannolikheten är minst 0,5 blir svaret ofta ja, annars nej.

Tröskeln måste inte vara 0,5. Om det är värre att missa ett viktigt fall än att larma i onödan kan man flytta gränsen. Ett system som letar efter bedrägerier kan till exempel välja en lägre tröskel för att fånga fler misstänkta fall.

Hur räknar modellen fram en sannolikhet?

Varje exempel beskrivs med egenskaper, ofta kallade features. Det kan vara ord i ett mejl, antal länkar, om avsändaren finns i kontaktlistan och mycket annat. Varje egenskap får en vikt. Positiva vikter drar modellen mot ja, negativa vikter drar den mot nej.

1. Viktad summa

Modellen lägger ihop egenskaperna, men inte lika mycket. Varje egenskap multipliceras med sin vikt. Resultatet blir ett rått poängtal.

2. Sigmoidfunktion

Det råa talet skickas genom den logistiska funktionen, ofta kallad sigmoidfunktion eller bara sigmoid. Det är en S-kurva som alltid ger ett värde mellan 0 och 1. En enkel formel är 1 / (1 + e^(−x)).

3. Tröskel

Sannolikheten jämförs med en gräns. Ofta används 0,5. Över gränsen blir svaret ja, under gränsen nej.

Tänk dig ett skräppostfilter. Ordet gratis får vikten +1,2, många länkar +0,9, okänd avsändare +0,8 och avsändare i din kontaktlista vikten −1,5. Om ett mejl innehåller de tre första signalerna men inte den sista kan den viktade summan bli ungefär 2,9. Efter sigmoidfunktionen blir sannolikheten ungefär 0,95. Med tröskeln 0,5 klassas mejlet då som skräppost.

Testa själv

1. Skriv talen -4 till 4 i en kolumn i Excel eller Google Kalkylark.

2. Skriv =1/(1+EXP(-A1)) i kolumnen bredvid och dra ned formeln.

3. Gör ett linjediagram. Du ser S-kurvan som gör om vilket tal som helst till en sannolikhet.

Hur tränas logistisk regression?

För att lära sig behöver modellen träningsdata där rätt svar redan finns. Varje rad kan till exempel vara ett tidigare mejl med etiketten skräppost eller inte.

Träningen går ut på att justera vikterna så att modellens sannolikheter stämmer så bra som möjligt med facit. I statistik kallas det maximum likelihood. På vanlig svenska betyder det att modellen försöker ge höga sannolikheter till rätt svar och låga sannolikheter till fel svar.

Samma idé beskrivs ofta som att man minimerar log loss, alltså ett felmått som straffar säkra men felaktiga gissningar extra mycket. När träningen är klar testar man modellen på data som den inte har sett tidigare. För att mäta hur bra modellen är räcker det inte alltid att bara räkna antal rätt. Man behöver också se vilka fel modellen gör och om tröskeln är rimligt vald.

Hur tolkar man vikter, odds och oddskvot?

En stor fördel med logistisk regression är att vikterna ofta går att läsa och resonera om. Om vikten för antal länkar i ett mejl är positiv drar fler länkar modellen mot ja-klassen. Om vikten för avsändare i kontaktlistan är negativ drar den mot nej-klassen.

I statistik pratar man ofta om odds. Sannolikhet är andelen chans att något händer. Odds jämför chansen att det händer med chansen att det inte händer. Om sannolikheten är 0,8 är odds 0,8 delat med 0,2, alltså 4. Man kan läsa det som 4 mot 1.

I logistisk regression beskriver vikterna hur log-odds förändras. Log-odds är bara ett statistiskt sätt att skriva odds på en skala som passar modellen bättre. Du behöver inte räkna på det för att förstå idén: en positiv vikt höjer oddsen för ja, en negativ vikt sänker dem.

En oddskvot visar hur mycket oddsen multipliceras när en egenskap ökar ett steg. Om en vikt motsvarar en oddskvot på 2 betyder det att oddsen dubbleras, inte att sannolikheten dubbleras. Exempel: om utgångsläget är sannolikhet 0,2 är oddsen 0,25. Dubbla odds blir 0,5. Det motsvarar sannolikheten 0,33, inte 0,4. Därför är det viktigt att inte blanda ihop sannolikhet och oddskvot.

Linjär regression eller logistisk regression?

Skillnaden blir tydligast om man jämför vad modellerna försöker förutsäga.

MetodVad den förutsägerUtdataExempelTypisk fråga
Linjär regressionEtt kontinuerligt talVilket tal som helstBostadspris, temperaturHur mycket blir det?
Logistisk regressionSannolikheten för en klass0 till 1, sedan en klass via tröskelSkräppost eller inte, lån godkänns eller inteHör det här till klass A eller B?

Om du vill se den andra metoden mer i detalj finns en egen genomgång av linjär regression.

Vad klarar modellen bra, och var har den sina gränser?

Logistisk regression är snabb, relativt lätt att tolka och fungerar ofta bra när sambandet mellan egenskaper och svar går att beskriva ganska rakt. Det gör den till en vanlig basmodell när man börjar med ett klassificeringsproblem.

Det finns också en variant som heter multinomial logistisk regression, alltså logistisk regression för fler än två klasser. Den används när svaret inte bara är ja eller nej, utan till exempel katt, hund eller fågel. Då räknar modellen fram en sannolikhet för varje klass och väljer den högsta.

Den stora begränsningen är att beslutsgränsen är rak i modellens egenskaper. Om verkligheten egentligen har mer krokiga samband behöver man ofta skapa bättre indata-egenskaper av den råa datan, alltså bygga om informationen till signaler som modellen lättare kan använda, eller välja en annan modell.

Med väldigt många egenskaper finns också risk för överanpassning, alltså att modellen passar träningsdatan för bra och blir sämre på nya exempel. Då använder man ofta regularisering, på engelska regularization. Det är en extra broms i träningen som hindrar vikterna från att bli onödigt stora.

Om problemet passar bättre som en kedja av ja- och nej-frågor kan beslutsträd vara ett bättre val. För en bredare jämförelse finns vår översikt över algoritmer inom maskininlärning.

Varför nämns logistisk regression ofta i AI, och hur hänger den ihop med neurala nätverk?

Den logistiska funktionen togs fram av Pierre François Verhulst. Han introducerade funktionen 1838, namnet kom 1844 och arbetet publicerades 1845. Själva logistisk regression växte senare fram som statistisk metod för binära utfall. Joseph Berkson myntade ordet logit 1944, och David Cox gjorde viktiga förfiningar 1958.

Det här är alltså i grunden statistik som har funnits länge. I dag används samma idé i system som ofta kallas AI, till exempel skräppostfilter och kreditbedömning. Det visar något viktigt om modern AI: ofta handlar det om modeller som tränas på data för att hitta mönster och räkna fram sannolikheter.

Det finns också en direkt koppling till neurala nätverk. En enda artificiell neuron med viktad summa och sigmoid som aktiveringsfunktion räknar i princip på samma sätt som logistisk regression. Skillnaden är att ett helt nätverk kopplar ihop många sådana beräkningar i flera lager.

Vanliga frågor

Är logistisk regression klassificering eller regression?

I praktiken är det främst en metod för klassificering. Namnet finns kvar eftersom modellen först skattar en sannolikhet, alltså ett tal, innan den gör om talet till en klass med en tröskel.

Varför används ofta tröskeln 0,5?

0,5 är en enkel standard när ja och nej väger ungefär lika tungt. Men om ett missat ja är värre än ett falskt larm kan man flytta gränsen. Därför använder olika tillämpningar olika trösklar.

När passar logistisk regression bra?

Den passar bra när du vill ha en snabb modell som ger sannolikheter och är relativt lätt att tolka. Den fungerar särskilt bra när problemet kan beskrivas med tydliga egenskaper och sambandet inte är alltför komplicerat.

Kan logistisk regression användas för fler än två klasser?

Ja. Med multinomial logistisk regression kan modellen hantera flera klasser samtidigt, till exempel katt, hund och fågel. Den räknar då fram en sannolikhet för varje klass och väljer den högsta.

Är logistisk regression samma sak som en neuron?

En enda artificiell neuron med sigmoid räknar nästan på samma sätt. Den tar en viktad summa av indata och skickar resultatet genom en S-kurva. Men ett helt neuralt nätverk består av många sådana enheter som arbetar tillsammans.

Källor

Skriven av AI-redaktionen. Texten är researchad och faktakontrollerad mot källorna ovan.

Senast uppdaterad: 3 november 2026

Granskad av

Linus Pierre

15 november 2026

Linus har arbetat med AI sedan ChatGPT lanserades i november 2022 – först för att skriva innehåll snabbare, sedan allt mer med automatisering. Han vill göra det enkelt för fler att komma igång med de här kraftfulla verktygen, oavsett om du driver eget eller är anställd och vill automatisera delar av jobbet för att få mer tid till familj, vänner och fritid.

Mer om Linus och hur guiderna granskas

Ser du något som är fel eller har blivit inaktuellt? Hör av dig så rättar vi.