MultiLinearLogistic Regr-ions

ivan gabrovski

Sadrži oglase

O ovoj aplikaciji

U nastavku slijedi praktični vodič za višestruku (multivarijantnu) binarnu logističku regresiju - tj. predviđanje binarnog ishoda (0/1) iz više značajki. Binomna logistička regresija (obično se naziva samo logistička regresija) je statistička metoda koja se koristi za modeliranje odnosa između jedne ili više neovisnih varijabli i binarnog (dvokategorijskog) ishoda. Binarno: cilj y∈{0,1}
Višestruka (multivarijantna): više od jedne ulazne značajke x_1, x_2, ..., x_n​
Model:
p(y=1∣x)=1/(1+e^{−z}), gdje je z=w_0+w_1*x_1+⋯+w_n*x_n

i w_0, w_1...w_n su težine izračunate pomoću x_1, x_2, ..., x_n i pogrešaka između y i predviđenih vrijednosti.
Umjesto izravnog predviđanja vrijednosti, logistička regresija predviđa logaritamske vjerojatnosti pomoću linearne kombinacije prediktora z. Log-vjerojatnost se zatim transformira pomoću logističke (sigmoidne) funkcije kako bi se dobile vjerojatnosti između 0 i 1.
Binarna logistička regresija je probabilistički klasifikacijski model koji koristi sigmoidnu funkciju za predviđanje vjerojatnosti jednog od dva ishoda, što ga čini široko korištenim u statistici, znanosti o podacima i strojnom učenju za interpretabilno binarno donošenje odluka.
Parametri modela procjenjuju se pomoću procjene maksimalne vjerojatnosti (MLE). Granična vrijednost (obično 0,5) koristi se za klasifikaciju ishoda (ako je P ≥ 0,5 → klasa 1; ako je P < 0,5 → klasa 0).
Multinomna logistička regresija je statistička metoda i metoda strojnog učenja koja se koristi za modeliranje odnosa između skupa nezavisnih varijabli (prediktora) i kategoričke zavisne varijable s više od dva moguća ishoda, gdje kategorije nemaju prirodni poredak.
Model: Za klasu k:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x gdje je j=1,2...K
Gdje je: - x = vektor značajki
w_k = težine za klasu k
K = broj klasa
U aplikaciji svaki objekt Objekt_k (objekt_1, objekt_2 ... objekt_m) opisan je nezavisnim varijablama (X_ki – značajke, i = 1...n) i jednom zavisnom varijablom (Y_k - cilj). Metoda poput običnih najmanjih kvadrata (OLS) koristi se za izračun optimalnih vrijednosti koeficijenata (beta_0, beta_1, beta_2, ..., beta_n). Ciljana vrijednost izračunava se prema:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
gdje je: P_1, P_2...P_n prediktori cilja.
Aplikacija sprema podatke za više logističkih regresijskih modela u bazu podataka (DB) tipa SQLite pod nazivom AppMultiNomialLogisticRegression.db. Regresijski modeli se razlikuju po nazivu.
Početni zaslon aplikacije (App Multinomial Linear Logistic Regression Solver) prikazuje popis uzoraka regresijskih modela (u spinner listi) i gumbe za omogućavanje funkcija za stvaranje (New sample), učitavanje (Load), spremanje (Save), spremanje kao (Save as), izračun (Calculate) i brisanje (Delete) uzoraka regresijskih modela. S glavnog zaslona, ​​putem elemenata izbornika, možete pristupiti i funkcijama kao što su odabir jezika, spremanje i kopiranje baze podataka, inicijalizacija baze podataka s uzorkom podataka i pomoćnim funkcijama kao što su pomoć za aplikaciju, postavke i poveznica na web stranicu s opisom svih aplikacija od strane autora.
Funkcije za stvaranje (Novi uzorak) uključuju dijalog za unos veličine matrice gdje se unose podaci novog uzorka - broj redaka (broj uključenih redaka za predviđene podatke P_1, P_2...P_n – zadnji redak) i broj stupaca (broj uključenih stupaca za ovisne podatke Y_1, Y_2,...Y_k – zadnji stupac). Zatim se generira tablica za unos relevantnih podataka. Popunjena tablica mora biti imenovana prije spremanja. Funkcija Load briše tablicu.
Stara spremljena tablica može se prikazati odabirom s popisa. Prikazana tablica može se izračunati, a rješenje se pojavljuje u dijalogu App results. Funkcija Print može se izvršiti iz ovog dijaloga u datoteci AppMultipleLogisticRegressionSolver.txt. Aktivnost Print uključuje Save Db/Save file odabirom mape u koju će se spremiti datoteka. Nakon odabira mape pojavljuje se gumb za spremanje. Iz iste aktivnosti može se prikazati sadržaj odabrane datoteke, a također i izbrisati odabranu datoteku.