# Etkileşimli Lojistik Regresyon

<div class="mlv-demo-links">
  <a class="mlv-demo-link" href="interactive_perceptron.html">Perceptron</a>
  <a class="mlv-demo-link active" href="interactive_logistic_regression.html">Lojistik Regresyon</a>
  <a class="mlv-demo-link secondary" href="logistic_regression.html">Notebook</a>
  <a class="mlv-demo-link secondary" href="https://marimo.app/l/cs19cb?show-code=false&embed=true">Tam Ekran Demo</a>
</div>

<div class="mlv-demo-hero">
  <div class="mlv-demo-kicker">Bölüm 3 / Olasılıksal Sınıflandırma</div>
  <p class="mlv-demo-lead">Sigmoid fonksiyonunu kullanan ikili sınıflandırma eğrisinin farklı parametre değerleriyle nasıl değiştiğini gör. Burada model, sert bir karar çizgisi çizmek yerine her nokta için bir olasılık üretir.</p>
</div>

<div class="mlv-demo-grid">
  <div class="mlv-demo-panel">
    <strong>Ne Yap</strong>
    <span>Ağırlığı ve bias'ı değiştirerek sigmoid eğrisinin sağa sola kayışını ve eğimini kontrol et.</span>
  </div>
  <div class="mlv-demo-panel">
    <strong>Ne Gör</strong>
    <span>Eğri dikleştikçe model daha “emin” davranır; yumuşadıkça olasılıklar daha kademeli dağılır.</span>
  </div>
  <div class="mlv-demo-panel">
    <strong>İpucu</strong>
    <span>Bunu perceptronla karşılaştır: lojistik regresyon aynı sınırı daha yumuşak ve olasılıksal bir dille ifade eder.</span>
  </div>
</div>

<div class="mlv-demo-note">
Bu demo marimo üzerinden gömülü çalışır. Parametreleri değiştirdikçe karar eğrisinin ve olasılıkların nasıl değiştiğini anında görebilirsin.
</div>

<iframe
  class="mlv-demo-frame"
  src="https://marimo.app/l/cs19cb?show-code=false&embed=true"
  title="Etkileşimli Lojistik Regresyon Demosu"
  loading="lazy"
  frameborder="0"
></iframe>