MultiLinearLogistic Regr-ions

ivan gabrovski

Contén anuncios

Acerca desta aplicación

A continuación móstrase unha guía práctica para a regresión loxística binaria múltiple (multivariante), é dicir, a predición dun resultado binario (0/1) a partir de varias características.
A regresión loxística binomial (normalmente chamada regresión loxística) é un método estatístico que se usa para modelar a relación entre unha ou máis variables independentes e un resultado binario (de dúas categorías).
Binario: obxectivo y∈{0,1}
Múltiple (multivariante): máis dunha característica de entrada x_1, x_2, ..., x_n
Modelo:
p(y=1∣x)=1/(1+e^{−z}), onde z=w_0+w_1*x_1+⋯+w_n*x_n

e w_0, w_1...w_n son pesos calculados por x_1, x_2, ..., x_n e erros entre y e as predicións.
En lugar de predicir os valores directamente, a regresión loxística predí as probabilidades logarítmicas usando unha combinación lineal de preditores z. As probabilidades logarítmicas transfórmanse entón usando a función loxística (sigmoide) para producir probabilidades entre 0 e 1.
A regresión loxística binaria é un modelo de clasificación probabilística que usa a función sigmoide para predicir a probabilidade dun de dous resultados, o que a fai amplamente utilizada en estatística, ciencia de datos e aprendizaxe automática para a toma de decisións binarias interpretables.
Os parámetros do modelo estímanse usando a estimación de máxima verosimilitude (MLE). Úsase un valor limiar (normalmente 0,5) para clasificar os resultados (se P≥0,5 → clase 1; se P<0,5 → clase 0).
A regresión loxística multinomial é un método estatístico e de aprendizaxe automática que se usa para modelar a relación entre un conxunto de variables independentes (preditores) e unha variable dependente categórica con máis de dous resultados posibles, onde as categorías non teñen unha orde natural.
Modelo: Para a clase k:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x onde j=1,2...K
Onde: - x = vector de características
w_k = pesos para a clase k
K = número de clases
Na aplicación, cada obxecto Obxecto_k(obxecto_1, obxecto_2... obxecto_m) descríbese mediante variables independentes (X_ki – características, i = 1...n) e unha variable dependente (Y_k - obxectivo). Úsase un método como os mínimos cadrados ordinarios (OLS) para calcular os valores óptimos dos coeficientes (beta_0, beta_1, beta_2, ..., beta_n). O valor obxectivo calcúlase mediante:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
onde: P_1, P_2...P_n son preditores do obxectivo.
A aplicación garda datos para varios modelos de regresión loxística nunha base de datos (DB) de tipo SQLite chamada AppMultiNomialLogisticRegression.db. Os modelos de regresión distínguense polo seu nome.
A pantalla de inicio da aplicación (App Multinomial Linear Logistic Regression Solver) mostra unha lista de exemplos de modelos de regresión (na lista xiratoria) e botóns para activar as funcións de crear (Nova mostra), cargar (Cargar), gardar (Gardar), gardar como (Gardar como), calcular (Calcular) e eliminar (Eliminar) exemplos de modelos de regresión. Dende a pantalla principal, a través dos elementos do menú, tamén se pode acceder a funcións como a selección de idioma, gardar e copiar a base de datos, inicializar a base de datos con datos de mostra e funcións auxiliares como a axuda para a aplicación, a configuración e unha ligazón ao sitio web cunha descrición de todas as aplicacións por parte dos autores. As funcións para crear (Nova mostra) inclúen o diálogo para introducir o tamaño da matriz onde se introducen os datos da nova mostra: número de filas (o número de filas incluídas para os datos preditos P_1, P_2...P_n (última fila) e número de columnas (o número de columnas incluídas para os datos dependentes Y_1, Y_2,...Y_k (última columna)). Despois xérase unha táboa para introducir os datos relevantes. A táboa poboada debe nomearse antes de gardarse. A función Cargar limpa a táboa.
A táboa gardada antiga pódese mostrar seleccionada na lista xiratoria. A táboa que se mostra pódese calcular e a solución aparece no diálogo Resultados da aplicación. A función Imprimir pódese executar desde este diálogo no ficheiro AppMultipleLogisticRegressionSolver.txt. A actividade Imprimir incluír Gardar base de datos/Gardar ficheiro permite seleccionar o cartafol onde gardar o ficheiro. Despois de seleccionar o cartafol, aparece o botón para gardar. Desde a mesma actividade pódese mostrar o contido do ficheiro seleccionado e tamén para eliminar o ficheiro seleccionado.