MultiLinearLogistic Regr-ions

Iragarkiak ditu
1+
deskarga
Edukiaren sailkapena
Adin guztietarako
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia
Pantaila-argazkia

Aplikazio honi buruz

Jarraian, Erregresio Logistiko Bitar Anizkoitzaren (aldagai anitzeko) gida praktiko bat dago —hau da, emaitza bitar bat (0/1) aurreikustea hainbat ezaugarritatik abiatuta.
Erregresio Logistiko Binomiala (normalean erregresio logistikoa deitzen dena) aldagai independente bat edo gehiagoren eta emaitza bitar (bi kategoriako) baten arteko erlazioa modelatzeko erabiltzen den metodo estatistikoa da.
Bitarra: helburu y∈{0,1}
Anizkorra (aldagai anitzekoa): sarrera-ezaugarri bat baino gehiago x_1, x_2, ..., x_n​
Eredua:
p(y=1∣x)=1/(1+e^{−z}), non z=w_0+w_1*x_1+⋯+w_n*x_n

eta w_0, w_1...w_n x_1, x_2, ..., x_n-ren bidez kalkulatutako pisuak eta y eta iragarpenen arteko erroreak diren.
Balioak zuzenean iragartzearen ordez, erregresio logistikoak log-probabilitateak iragartzen ditu z iragarleen konbinazio lineal bat erabiliz. Ondoren, log-odd-ak funtzio logistikoa (sigmoid) erabiliz eraldatzen dira 0 eta 1 arteko probabilitateak sortzeko.

Erregresio Logistiko Bitarra sailkapen-eredu probabilista bat da, sigmoid funtzioa erabiltzen duena bi emaitza hauetako baten probabilitatea aurreikusteko, eta horregatik oso erabilia da estatistikan, datu-zientzian eta ikaskuntza automatikoan erabaki bitarrak hartzeko.

Ereduaren parametroak Probabilitate Maximoaren Estimazioa (MLE) erabiliz kalkulatzen dira. Atalase-balio bat (normalean 0,5) erabiltzen da emaitzak sailkatzeko (P≥0,5 bada → 1. klasea; P<0,5 bada → 0. klasea).

Erregresio logistiko multinomiala metodo estatistiko eta ikaskuntza automatikoko bat da, aldagai independente multzo baten (aurreikusleak) eta bi emaitza posible baino gehiago dituen aldagai menpeko kategoriko baten arteko erlazioa modelatzeko erabiltzen dena, non kategoriek ez duten ordena naturalik.
Eredua: k klaserako:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x non j=1,2...K
Non: - x = ezaugarri bektorea
w_k = k klaserako pisuak
K = klase kopurua
Aplikazioan, objektu_k (objektua_1, objektua_2 ... objektua_m) objektu bakoitza aldagai independenteek (X_ki – ezaugarriak, i = 1...n) eta mendeko aldagai batek (Y_k -helburua) deskribatzen dute. Ohiko gutxieneko karratuen (OLS) metodo bat erabiltzen da koefizienteen balio optimoak kalkulatzeko (beta_0, beta_1, beta_2, ..., beta_n). Helburu balioa honela kalkulatzen da:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
non: P_1, P_2...P_n helburuaren iragarleak diren. Aplikazioak hainbat logistika-erregresio ereduetarako datuak gordetzen ditu AppMultiNomialLogisticRegression.db izeneko SQLite motako datu-basean (DB). Erregresio ereduak izenaren arabera bereizten dira.

Aplikazioaren hasierako pantailan (App Multinomial Linear Logistic Regression Solver) erregresio ereduen laginen zerrenda bat (zerrenda birakarian) eta erregresio ereduen laginak sortzeko (Lagin berria), kargatzeko (Kargatu), gordetzeko (Gorde), gordetzeko honela (Gorde honela), kalkulatzeko (Kalkulatu) eta ezabatzeko (Ezabatu) funtzioak gaitzeko botoiak agertzen dira. Pantaila nagusitik, menu elementuen bidez, hizkuntza hautatzea, datu-basea gordetzea eta kopiatzea, datu-basea adibide datuekin hasieratzea eta funtzio osagarriak ere sar daitezke, hala nola aplikazioaren laguntza, ezarpenak eta webgunerako esteka, egileek aplikazio guztien deskribapenarekin. (Lagin berria) sortzeko funtzioek matrizearen tamaina sartzeko elkarrizketa-koadroa barne hartzen dute, lagin berriaren datuak sartzen diren lekuan – errenkada kopurua (P_1, P_2...P_n aurreikusitako datuen errenkada kopurua – azken errenkada) eta zutabe kopurua (Y_1, Y_2,...Y_k menpeko datuen zutabe kopurua – azken zutabea). Ondoren, datu garrantzitsuak sartzeko taula sortzen da. Betetutako taulari izena eman behar zaio gorde aurretik. Kargatu funtzioak taula garbitu behar du.

Gordetako taula zaharra biraketa-zerrendatik hautatuta bistara daiteke. Erakusten den taula kalkulatu daiteke eta soluzioa Aplikazioaren emaitzak elkarrizketa-koadroan agertzen da. Inprimatu funtzioa elkarrizketa-koadro honetatik exekutatu daiteke AppMultipleLogisticRegressionSolver.txt fitxategian. Inprimatu barne-jarduera Gorde Db/Gorde fitxategia, fitxategia gordetzeko karpeta hautatzen baita. Karpeta hautatu ondoren, gordetzeko botoia agertzen da. Jarduera beretik hautatutako fitxategiaren edukia bistara daiteke, eta hautatutako fitxategia ezabatzeko aukera ere bai.
Azken eguneratzea
2026(e)ko mar. 6(a)

Datuen babesa

Seguru egoteko, funtsezkoa da jakitea garatzaileek nola biltzen eta partekatzen dituzten zuri buruzko datuak. Baliteke datuen pribatutasunaren eta segurtasunaren inguruko jardunbideak aplikazioaren erabileraren, lurraldearen eta adinaren araberakoak izatea. Informazio hori garatzaileak eman du, eta baliteke aurrerago eguneratzea.
Ez da daturik partekatzen hirugarrenekin
Lortu informazio gehiago garatzaileek partekatutako datuak aitortzeko duten moduari buruz
Ez da daturik biltzen
Lortu informazio gehiago garatzaileek bildutako datuak aitortzeko duten moduari buruz

Aplikazioaren laguntza-zerbitzua

Telefono-zenbakia
+359888569075
Garatzaileari buruz
Ivan Zdravkov Gabrovski
ivan_gabrovsky@yahoo.com
жк.Младост 1 47 вх 1 ет. 16 ап. 122 1784 общ. Столична гр София Bulgaria

ivan gabrovski garatzailearen elementu gehiago