MultiLinearLogistic Regr-ions

ivan gabrovski

এতে বিজ্ঞাপন রয়েছে

এই অ্যাপ সম্পর্কে

নিচে একাধিক (বহু-পরিবর্তনশীল) বাইনারি লজিস্টিক রিগ্রেশনের একটি ব্যবহারিক নির্দেশিকা দেওয়া হল—অর্থাৎ, একাধিক বৈশিষ্ট্য থেকে একটি বাইনারি ফলাফল (0/1) পূর্বাভাস দেওয়া।

দ্বিপদী লজিস্টিক রিগ্রেশন (সাধারণত লজিস্টিক রিগ্রেশন বলা হয়) হল একটি পরিসংখ্যানগত পদ্ধতি যা এক বা একাধিক স্বাধীন চলক এবং একটি বাইনারি (দুই-শ্রেণী) ফলাফলের মধ্যে সম্পর্ক মডেল করার জন্য ব্যবহৃত হয়।

বাইনারি: লক্ষ্য y∈{0,1}

একাধিক (বহু-পরিবর্তনশীল): একাধিক ইনপুট বৈশিষ্ট্য x_1, x_2, ..., x_n​
মডেল:

p(y=1∣x)=1/(1+e^{−z}), যেখানে z=w_0+w_1*x_1+⋯+w_n*x_n

এবং w_0, w_1...w_n হল x_1, x_2, ..., x_n এবং y এবং পূর্বাভাসের মধ্যে ত্রুটি দ্বারা গণনা করা ওজন।
সরাসরি মান ভবিষ্যদ্বাণী করার পরিবর্তে, লজিস্টিক রিগ্রেশন ভবিষ্যদ্বাণীকারী z এর একটি রৈখিক সংমিশ্রণ ব্যবহার করে লগ-অডস ভবিষ্যদ্বাণী করে। লগ-অডসগুলিকে লজিস্টিক (সিগময়েড) ফাংশন ব্যবহার করে রূপান্তরিত করা হয় যাতে 0 এবং 1 এর মধ্যে সম্ভাব্যতা তৈরি হয়।
বাইনারি লজিস্টিক রিগ্রেশন হল একটি সম্ভাব্য শ্রেণীবিভাগ মডেল যা দুটি ফলাফলের মধ্যে একটির সম্ভাবনা ভবিষ্যদ্বাণী করতে সিগময়েড ফাংশন ব্যবহার করে, যা এটিকে পরিসংখ্যান, ডেটা বিজ্ঞান এবং ব্যাখ্যাযোগ্য বাইনারি সিদ্ধান্ত গ্রহণের জন্য মেশিন লার্নিংয়ে ব্যাপকভাবে ব্যবহৃত করে।
মডেল প্যারামিটারগুলি সর্বোচ্চ সম্ভাবনা অনুমান (MLE) ব্যবহার করে অনুমান করা হয়। ফলাফল শ্রেণীবদ্ধ করার জন্য একটি থ্রেশহোল্ড মান (সাধারণত 0.5) ব্যবহার করা হয় (যদি P≥0.5 → ক্লাস 1; যদি P<0.5 → ক্লাস 0)।
বহুপদী লজিস্টিক রিগ্রেশন হল একটি পরিসংখ্যানগত এবং মেশিন-লার্নিং পদ্ধতি যা স্বাধীন চলক (ভবিষ্যদ্বাণীকারী) এবং দুটির বেশি সম্ভাব্য ফলাফল সহ একটি শ্রেণীগত নির্ভরশীল চলকের মধ্যে সম্পর্ক মডেল করার জন্য ব্যবহৃত হয়, যেখানে বিভাগগুলির কোনও প্রাকৃতিক ক্রম নেই।
মডেল: ক্লাস k এর জন্য:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x যেখানে j=1,2...K
কোথায়: - x = বৈশিষ্ট্য ভেক্টর
w_k = ক্লাস k এর জন্য ওজন
K = ক্লাসের সংখ্যা
অ্যাপে প্রতিটি বস্তু Object_k( object_1, object_2 ... object_m) স্বাধীন চলক (X_ki – বৈশিষ্ট্য, i = 1...n ) এবং একটি নির্ভরশীল চলক (Y_k -target) দ্বারা বর্ণনা করা হয়েছে। সহগের সর্বোত্তম মান গণনা করার জন্য সাধারণ সর্বনিম্ন বর্গ (OLS) এর মতো একটি পদ্ধতি ব্যবহার করা হয় (beta_0, beta_1, beta_2, ..., beta_n)। লক্ষ্য মান গণনা করা হয়:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
কোথায়: P_1, P_2...P_n লক্ষ্যের ভবিষ্যদ্বাণীকারী।

ডাটাবেস (DB) টাইপ SQLite-এ একাধিক লজিস্টিক রিগ্রেশন মডেলের জন্য অ্যাপ্লিকেশন সংরক্ষণ ডেটা AppMultiNomialLogisticRegression.db নামে পরিচিত। রিগ্রেশন মডেলগুলি নাম অনুসারে আলাদা করা হয়।
অ্যাপ্লিকেশনের স্টার্টআপ স্ক্রিন (App Multinomial Linear Logistic Regression Solver) রিগ্রেশন মডেলের নমুনার একটি তালিকা (স্পিনার তালিকায়) এবং রিগ্রেশন মডেলের নমুনা তৈরি (নতুন নমুনা), লোড (লোড), সংরক্ষণ (সংরক্ষণ), সংরক্ষণ (সংরক্ষণ), সংরক্ষণ (সংরক্ষণ হিসাবে), গণনা (গণনা) এবং মুছে ফেলা (মুছে ফেলা) ফাংশনগুলি সক্ষম করার জন্য বোতামগুলি প্রদর্শন করে। প্রধান স্ক্রিন থেকে, মেনু উপাদানগুলির মাধ্যমে, আপনি ভাষা নির্বাচন, ডাটাবেস সংরক্ষণ এবং অনুলিপি করা, নমুনা ডেটা সহ ডাটাবেস শুরু করা এবং অ্যাপ্লিকেশনের জন্য সহায়তা, সেটিংস এবং লেখকদের দ্বারা সমস্ত অ্যাপ্লিকেশনের বিবরণ সহ ওয়েবসাইটের লিঙ্কের মতো সহায়ক ফাংশনগুলিও অ্যাক্সেস করতে পারেন।
(নতুন নমুনা) তৈরির ফাংশনগুলির মধ্যে রয়েছে ম্যাট্রিক্সের আকার ইনপুট করার জন্য ডায়ালগ যেখানে নতুন নমুনার ডেটা প্রবেশ করানো হয় – সারি সংখ্যা (পূর্বাভাসিত ডেটার জন্য সারি অন্তর্ভুক্ত সংখ্যা P_1, P_2...P_n– শেষ সারি) এবং কলামের সংখ্যা (নির্ভরশীল ডেটার জন্য কলাম অন্তর্ভুক্ত সংখ্যা Y_1, Y_2,...Y_k– শেষ কলাম)। তারপর প্রাসঙ্গিক ডেটা প্রবেশের জন্য টেবিল তৈরি করা হয়। পপুলেটেড টেবিলটি সংরক্ষিত হওয়ার আগে নামকরণ করা আবশ্যক। ফাংশন লোড সাফ টেবিল।
পুরাতন সংরক্ষিত টেবিলটি স্পিনার তালিকা থেকে নির্বাচিত দ্বারা প্রদর্শিত হতে পারে। দেখানো টেবিলটি গণনা করা যেতে পারে এবং সমাধান ডায়ালগ অ্যাপ ফলাফলে প্রদর্শিত হয়। AppMultipleLogisticRegressionSolver.txt ফাইলে এই ডায়ালগ থেকে প্রিন্ট ফাংশনটি কার্যকর করা যেতে পারে। প্রিন্ট অন্তর্ভুক্ত কার্যকলাপ সংরক্ষণ করুন Db/সেভ ফাইলটি নির্বাচিত ফোল্ডার দ্বারা যেখানে ফাইলটি সংরক্ষণ করতে হবে। ফোল্ডার নির্বাচন করার পরে সংরক্ষণের জন্য বোতাম প্রদর্শিত হয়। একই কার্যকলাপ থেকে নির্বাচিত ফাইলের বিষয়বস্তু দেখানো যেতে পারে, এবং নির্বাচিত ফাইলটি মুছে ফেলাও যেতে পারে।