MultiLinearLogistic Regr-ions

ivan gabrovski

May mga ad

Tungkol sa app na ito

Nasa ibaba ang isang praktikal na gabay sa Maramihang (multivariate) Binary Logistic Regression —ibig sabihin, paghula ng isang binary outcome (0/1) mula sa maraming feature.

Ang Binomial Logistic Regression (karaniwang tinatawag lamang na logistic regression) ay isang istatistikal na pamamaraan na ginagamit upang imodelo ang ugnayan sa pagitan ng isa o higit pang mga independent variable at isang binary (dalawang-kategorya) na outcome.

Binary: target y∈{0,1}

Maramihang (multivariate): higit sa isang input feature x_1, x_2, ..., x_n​

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

at w_0, w_1...w_n ay mga weight na kinakalkula ng x_1, x_2, ..., x_n at mga error sa pagitan ng y at predict.

Sa halip na direktang hulaan ang mga halaga, hinuhulaan ng logistic regression ang mga log-odd gamit ang isang linear na kumbinasyon ng mga predictor na z. Ang mga log-odds ay binabago gamit ang logistic (sigmoid) function upang makagawa ng mga probabilidad sa pagitan ng 0 at 1.

Ang Binary Logistic Regression ay isang probabilistic classification model na gumagamit ng sigmoid function upang mahulaan ang posibilidad ng isa sa dalawang resulta, kaya malawak itong ginagamit sa statistics, data science, at machine learning para sa interpretable binary decision-making.

Ang mga parameter ng modelo ay tinatantya gamit ang Maximum Likelihood Estimation (MLE). Ang isang threshold value (karaniwan ay 0.5) ay ginagamit upang uriin ang mga resulta (Kung P≥0.5 → class 1; Kung P<0.5 → class 0).

Ang multinomial logistic regression ay isang statistical at machine-learning method na ginagamit upang imodelo ang relasyon sa pagitan ng isang set ng mga independent variable (predictors) at isang categorical dependent variable na may higit sa dalawang posibleng resulta, kung saan ang mga kategorya ay walang natural na pagkakasunod-sunod.
Modelo: Para sa klase k:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x kung saan j=1,2...K
Kung saan: - x = feature vector
w_k = weights para sa klase k
K = bilang ng mga klase
Sa app, ang bawat object na Object_k( object_1, object_2 ... object_m) ay inilalarawan ng mga independent variable( X_ki – features, i = 1...n ) at isang dependent variable( Y_k -target). Ang isang paraan tulad ng ordinary least squares (OLS) ay ginagamit upang kalkulahin ang mga optimal na halaga ng mga coefficients (beta_0, beta_1, beta_2, ..., beta_n). Ang target value ay kinakalkula sa pamamagitan ng:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
kung saan: Ang P_1, P_2...P_n ay mga predictor ng target. Ang aplikasyon ay nagse-save ng data para sa maraming logistic regression model sa database (DB) type na SQLite na pinangalanang AppMultiNomialLogisticRegression.db. Ang mga regression model ay pinag-iiba ayon sa pangalan.

Ang startup screen ng aplikasyon (App Multinomial Linear Logistic Regression Solver) ay nagpapakita ng isang listahan ng mga sample ng regression model (sa spinner list) at mga button para sa pagpapagana ng mga function na lumikha ng (New sample), mag-load ng (Load), mag-save ng (Save), mag-save ng (Save as), kalkulahin ang (Calculate), at magbura ng (Delete) ng mga sample ng regression model. Mula sa pangunahing screen, sa pamamagitan ng mga elemento ng menu, maaari mo ring ma-access ang mga function tulad ng pagpili ng wika, pag-save at pagkopya ng database, pagsisimula ng database gamit ang sample data, at mga auxiliary function tulad ng tulong para sa application, mga setting, at isang link sa website na may paglalarawan ng lahat ng application ng mga may-akda.
Ang mga function para sa paglikha ng (Bagong sample) ay kinabibilangan ng dialog para sa pag-input ng laki ng matrix kung saan pumapasok ang data ng bagong sample – bilang ng mga row (ang bilang na kasama ang row para sa hinulaang data na P_1, P_2...P_n– huling row) at bilang ng mga column (ang bilang na kasama ang column para sa dependent data na Y_1, Y_2,...Y_k– huling column). Pagkatapos ay bubuo ng table para sa pagpasok ng mga kaugnay na data. Ang puno ng table ay dapat pangalanan bago i-save. Ang function na Load ay mag-clear ng table.

Ang lumang naka-save na table ay maaaring ipakita sa pamamagitan ng napili mula sa spinner list. Ang display table ay maaaring kalkulahin at ang solusyon ay lilitaw sa dialog na Mga Resulta ng App. Ang function na Print ay maaaring isagawa mula sa dialog na ito sa file na AppMultipleLogisticRegressionSolver.txt. Ang Print include activity na Save Db/Save file ay ang napiling folder kung saan ise-save ang file. Pagkatapos piliin ang folder, lilitaw ang button para sa save. Mula sa parehong activity, maaaring ipakita ang nilalaman ng napiling file, at para din sa pagtanggal ng napiling file.