MultiLinearLogistic Regr-ions

ivan gabrovski

Conté anuncis

Sobre l'aplicació

A continuació es mostra una guia pràctica per a la regressió logística binària múltiple (multivariant), és a dir, la predicció d'un resultat binari (0/1) a partir de múltiples característiques.
La regressió logística binomial (normalment anomenada regressió logística) és un mètode estadístic que s'utilitza per modelar la relació entre una o més variables independents i un resultat binari (de dues categories).
Binari: objectiu y∈{0,1}
Múltiple (multivariant): més d'una característica d'entrada x_1, x_2, ..., x_n
Model:
p(y=1∣x)=1/(1+e^{−z}), on z=w_0+w_1*x_1+⋯+w_n*x_n

i w_0, w_1...w_n són pesos calculats per x_1, x_2, ..., x_n i errors entre y i les prediccions.
En lloc de predir els valors directament, la regressió logística prediu les probabilitats logarítmiques utilitzant una combinació lineal de predictors z. Les probabilitats logarítmiques es transformen mitjançant la funció logística (sigmoide) per produir probabilitats entre 0 i 1.
La regressió logística binària és un model de classificació probabilística que utilitza la funció sigmoide per predir la probabilitat d'un de dos resultats, cosa que la fa àmpliament utilitzada en estadística, ciència de dades i aprenentatge automàtic per a la presa de decisions binàries interpretables.
Els paràmetres del model s'estimen mitjançant l'estimació de màxima probabilitat (MLE). S'utilitza un valor llindar (normalment 0,5) per classificar els resultats (si P≥0,5 → classe 1; si P<0,5 → classe 0).
La ​​regressió logística multinomial és un mètode estadístic i d'aprenentatge automàtic que s'utilitza per modelar la relació entre un conjunt de variables independents (predictors) i una variable dependent categòrica amb més de dos resultats possibles, on les categories no tenen un ordre natural.
Model: Per a la classe k:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x on j=1,2...K
On: - x = vector de característiques
w_k = pesos per a la classe k
K = nombre de classes
A l'aplicació, cada objecte Object_k(object_1, object_2...object_m) es descriu mitjançant variables independents (X_ki – característiques, i = 1...n) i una variable dependent (Y_k - objectiu). S'utilitza un mètode com ara els mínims quadrats ordinaris (OLS) per calcular els valors òptims dels coeficients (beta_0, beta_1, beta_2, ..., beta_n). El valor objectiu es calcula mitjançant:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
on: P_1, P_2...P_n són predictors de l'objectiu. L'aplicació desa dades per a múltiples models de regressió logística en una base de dades (DB) de tipus SQLite anomenada AppMultiNomialLogisticRegression.db. Els models de regressió es distingeixen pel seu nom.
La pantalla d'inici de l'aplicació (App Multinomial Linear Logistic Regression Solver) mostra una llista d'exemples de models de regressió (en una llista giratòria) i botons per habilitar les funcions per crear (Nou exemple), carregar (Carregar), desar (Desar), desar com a (Desar com a), calcular (Calcular) i suprimir (Suprimir) exemples de models de regressió. Des de la pantalla principal, a través dels elements del menú, també podeu accedir a funcions com ara la selecció d'idioma, desar i copiar la base de dades, inicialitzar la base de dades amb dades d'exemple i funcions auxiliars com ara l'ajuda de l'aplicació, la configuració i un enllaç al lloc web amb una descripció de totes les aplicacions per part dels autors. Les funcions per crear (Nova mostra) inclouen el diàleg per introduir la mida de la matriu on s'introdueixen les dades de la nova mostra: nombre de files (el nombre de files incloses per a les dades predites P_1, P_2...P_n – última fila) i nombre de columnes (el nombre de columnas incloses per a les dades dependents Y_1, Y_2,...Y_k – última columna). A continuació, es genera una taula per introduir les dades rellevants. La taula emplenada s'ha de nomenar abans de desar-la. La funció Carrega esborra la taula.

La taula desada antiga es pot mostrar seleccionada de la llista giratòria. La taula que es mostra es pot calcular i la solució apareix al diàleg Resultats de l'aplicació. La funció Imprimeix es pot executar des d'aquest diàleg al fitxer AppMultipleLogisticRegressionSolver.txt. L'activitat Imprimeix inclosa Desa la base de dades/Desa el fitxer selecciona la carpeta on es desa el fitxer. Després de seleccionar la carpeta, apareix el botó per desar. Des de la mateixa activitat es pot mostrar el contingut del fitxer seleccionat i també per suprimir el fitxer seleccionat.