MultiLinearLogistic Regr-ions

ivan gabrovski

જાહેરાતો ધરાવે છે

આ ઍપનું વર્ણન

નીચે બહુવિધ (બહુવિધ) બાઈનરી લોજિસ્ટિક રીગ્રેશન માટે એક વ્યવહારુ માર્ગદર્શિકા છે - એટલે કે, બહુવિધ સુવિધાઓમાંથી બાઈનરી પરિણામ (0/1) ની આગાહી કરવી.
દ્વિપદી લોજિસ્ટિક રીગ્રેશન (સામાન્ય રીતે ફક્ત લોજિસ્ટિક રીગ્રેશન કહેવાય છે) એ એક આંકડાકીય પદ્ધતિ છે જેનો ઉપયોગ એક અથવા વધુ સ્વતંત્ર ચલો અને બાઈનરી (બે-શ્રેણી) પરિણામ વચ્ચેના સંબંધને મોડેલ કરવા માટે થાય છે.
દ્વિપદી: લક્ષ્ય y∈{0,1}
બહુવિધ (બહુવિધ): એક કરતાં વધુ ઇનપુટ સુવિધા x_1, x_2, ..., x_n​
મોડેલ:
p(y=1∣x)=1/(1+e^{−z}), જ્યાં z=w_0+w_1*x_1+⋯+w_n*x_n

અને w_0, w_1...w_n એ x_1, x_2, ..., x_n અને y અને આગાહી વચ્ચેની ભૂલો દ્વારા ગણતરી કરાયેલ વજન છે.
મૂલ્યોની સીધી આગાહી કરવાને બદલે, લોજિસ્ટિક રીગ્રેશન આગાહી કરનારા z ના રેખીય સંયોજનનો ઉપયોગ કરીને લોગ-ઓડ્સની આગાહી કરે છે. પછી લોગ-ઓડ્સને લોજિસ્ટિક (સિગ્મોઇડ) ફંક્શનનો ઉપયોગ કરીને રૂપાંતરિત કરવામાં આવે છે જેથી 0 અને 1 ની વચ્ચે સંભાવનાઓ ઉત્પન્ન થાય.

બાઈનરી લોજિસ્ટિક રીગ્રેશન એ એક સંભાવનાત્મક વર્ગીકરણ મોડેલ છે જે સિગ્મોઇડ ફંક્શનનો ઉપયોગ બે પરિણામોમાંથી એકની સંભાવનાની આગાહી કરવા માટે કરે છે, જે તેને આંકડાશાસ્ત્ર, ડેટા સાયન્સ અને મશીન લર્નિંગમાં અર્થઘટનયોગ્ય દ્વિસંગી નિર્ણય લેવા માટે વ્યાપકપણે ઉપયોગમાં લે છે.
મહત્તમ સંભાવના અંદાજ (MLE) નો ઉપયોગ કરીને મોડેલ પરિમાણોનો અંદાજ લગાવવામાં આવે છે. પરિણામોનું વર્ગીકરણ કરવા માટે થ્રેશોલ્ડ મૂલ્ય (સામાન્ય રીતે 0.5) નો ઉપયોગ થાય છે (જો P≥0.5 → વર્ગ 1; જો P<0.5 → વર્ગ 0).
મલ્ટીનોમિયલ લોજિસ્ટિક રીગ્રેશન એ એક આંકડાકીય અને મશીન-લર્નિંગ પદ્ધતિ છે જેનો ઉપયોગ સ્વતંત્ર ચલો (આગાહી કરનારા) ના સમૂહ અને બે કરતાં વધુ સંભવિત પરિણામો ધરાવતા વર્ગીકૃત આધારિત ચલ વચ્ચેના સંબંધને મોડેલ કરવા માટે થાય છે, જ્યાં શ્રેણીઓમાં કોઈ કુદરતી ક્રમ નથી.
મોડેલ: વર્ગ k માટે:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x જ્યાં j=1,2...K
જ્યાં: - x = ફીચર વેક્ટર
w_k = વર્ગ k માટે વજન
K = વર્ગોની સંખ્યા
એપમાં દરેક ઑબ્જેક્ટ Object_k( object_1, object_2 ... object_m) ને સ્વતંત્ર ચલો (X_ki - સુવિધાઓ, i = 1...n ) અને એક આશ્રિત ચલ (Y_k -ટાર્ગેટ) દ્વારા વર્ણવવામાં આવે છે. સામાન્ય લઘુત્તમ ચોરસ (OLS) જેવી પદ્ધતિનો ઉપયોગ ગુણાંક (beta_0, beta_1, beta_2, ..., beta_n) ના શ્રેષ્ઠ મૂલ્યોની ગણતરી કરવા માટે થાય છે. લક્ષ્ય મૂલ્યની ગણતરી આના દ્વારા કરવામાં આવે છે:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
જ્યાં: P_1, P_2...P_n લક્ષ્યના આગાહીકર્તા છે.

ડેટાબેઝ (DB) પ્રકારના SQLite માં બહુવિધ લોજિસ્ટિક રીગ્રેશન મોડેલો માટે એપ્લિકેશન સેવ ડેટા છે જેનું નામ AppMultiNomialLogisticRegression.db છે. રીગ્રેશન મોડેલો નામ દ્વારા અલગ પડે છે.
એપ્લિકેશનની સ્ટાર્ટઅપ સ્ક્રીન (એપ મલ્ટિનોમિયલ લાઇનર લોજિસ્ટિક રીગ્રેશન સોલ્વર) રીગ્રેશન મોડેલોના નમૂનાઓની સૂચિ (સ્પિનર ​​સૂચિમાં) અને રીગ્રેશન મોડેલોના નમૂનાઓ બનાવવા (નવું નમૂના), લોડ (લોડ), સેવ (સેવ), સેવ એઝ (સેવ એઝ), ગણતરી (ગણતરી) અને કાઢી નાખવા (કાઢી નાખવા) માટે ફંક્શન્સને સક્ષમ કરવા માટેના બટનો દર્શાવે છે. મુખ્ય સ્ક્રીનમાંથી, મેનુ તત્વો દ્વારા, તમે ભાષા પસંદગી, ડેટાબેઝ સાચવવા અને કૉપિ કરવા, નમૂના ડેટા સાથે ડેટાબેઝ શરૂ કરવા અને સહાયક કાર્યો જેમ કે એપ્લિકેશન માટે મદદ, સેટિંગ્સ અને લેખકો દ્વારા બધી એપ્લિકેશનોના વર્ણન સાથે વેબસાઇટની લિંક જેવા કાર્યોને પણ ઍક્સેસ કરી શકો છો.
(નવું નમૂનો) બનાવવા માટેના કાર્યોમાં મેટ્રિક્સનું કદ દાખલ કરવા માટે સંવાદનો સમાવેશ થાય છે જ્યાં નવા નમૂનાનો ડેટા દાખલ કરવામાં આવે છે - પંક્તિઓની સંખ્યા (અનુમાનિત ડેટા માટે પંક્તિ શામેલ છે P_1, P_2...P_n– છેલ્લી પંક્તિ) અને કૉલમની સંખ્યા (આશ્રિત ડેટા માટે કૉલમ શામેલ છે Y_1, Y_2,...Y_k– છેલ્લી કૉલમ). પછી સંબંધિત ડેટા દાખલ કરવા માટે કોષ્ટક જનરેટ કરવામાં આવે છે. ભરેલા કોષ્ટકનું નામ સેવ કરતા પહેલા રાખવું આવશ્યક છે. ફંક્શન લોડ ક્લિયર ધ ટેબલ.
જૂનું સેવ કરેલું કોષ્ટક સ્પિનર ​​સૂચિમાંથી પસંદ કરીને દેખાઈ શકે છે. બતાવતું કોષ્ટક ગણતરી કરી શકાય છે અને ઉકેલ ડાયલોગ એપ્લિકેશન પરિણામોમાં દેખાય છે. ફંક્શન પ્રિન્ટ આ સંવાદમાંથી ફાઇલ AppMultipleLogisticRegressionSolver.txt માં એક્ઝિક્યુટ કરી શકાય છે. પ્રિન્ટ શામેલ પ્રવૃત્તિ Db/સેવ ફાઇલ પસંદ કરેલ ફોલ્ડર દ્વારા ફાઇલ ક્યાં સાચવવી તે પસંદ કરેલ છે. ફોલ્ડર પસંદ કર્યા પછી સેવ માટે બટન દેખાય છે. તે જ પ્રવૃત્તિમાંથી પસંદ કરેલી ફાઇલની સામગ્રી બતાવી શકાય છે, અને પસંદ કરેલી ફાઇલને કાઢી નાખવા માટે પણ.