MultiLinearLogistic Regr-ions

ivan gabrovski

Կա գովազդ

Հավելվածի մասին

Ստորև բերված է բազմակի (բազմաչափ) երկուական լոգիստիկ ռեգրեսիայի գործնական ուղեցույց՝ այսինքն՝ բազմակի հատկանիշներից երկուական արդյունքի (0/1) կանխատեսում։

Բինոմալ լոգիստիկ ռեգրեսիան (սովորաբար կոչվում է պարզապես լոգիստիկ ռեգրեսիա) վիճակագրական մեթոդ է, որն օգտագործվում է մեկ կամ մի քանի անկախ փոփոխականների և երկուական (երկկատեգորիա) արդյունքի միջև կապը մոդելավորելու համար։

Երկուական. թիրախ y∈{0,1}
Բազմակի (բազմաչափ). մեկից ավելի մուտքային հատկանիշներ x_1, x_2, ..., x_n
Մոդել.
p(y=1∣x)=1/(1+e^{−z}), որտեղ z=w_0+w_1*x_1+⋯+w_n*x_n

և w_0, w_1...w_n-ը x_1, x_2, ..., x_n-ով հաշվարկված կշիռներն են և y-ի ու կանխատեսումների միջև եղած սխալները։
Արժեքները ուղղակիորեն կանխատեսելու փոխարեն, լոգիստիկ ռեգրեսիան կանխատեսում է լոգարիթմական հավանականությունները՝ օգտագործելով z կանխատեսողների գծային համադրություն: Այնուհետև լոգարիթմական հավանականությունները վերափոխվում են լոգիստիկ (սիգմոիդ) ֆունկցիայի միջոցով՝ 0-ից 1-ի միջև հավանականություններ ստանալու համար։
Երկուական լոգիստիկ ռեգրեսիան հավանականային դասակարգման մոդել է, որն օգտագործում է սիգմոիդ ֆունկցիան՝ երկու արդյունքներից մեկի հավանականությունը կանխատեսելու համար, ինչը այն լայնորեն կիրառում է վիճակագրության, տվյալների գիտության և մեքենայական ուսուցման մեջ՝ մեկնաբանելի երկուական որոշումների կայացման համար։
Մոդելի պարամետրերը գնահատվում են առավելագույն հավանականության գնահատման (MLE) միջոցով: Արդյունքները դասակարգելու համար օգտագործվում է շեմային արժեք (սովորաբար 0.5) (եթե P≥0.5 → դաս 1; եթե P<0.5 → դաս 0):
Բազմանդամ լոգիստիկ ռեգրեսիան վիճակագրական և մեքենայական ուսուցման մեթոդ է, որն օգտագործվում է անկախ փոփոխականների (կանխատեսողների) բազմության և կատեգորիկ կախյալ փոփոխականի միջև փոխհարաբերությունը մոդելավորելու համար՝ երկուսից ավելի հնարավոր արդյունքներով, որտեղ կատեգորիաները բնական կարգավորվածություն չունեն։
Մոդել՝ k դասի համար՝
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x որտեղ՝ j=1,2...K
Որտեղ՝ - x = հատկանիշի վեկտոր
w_k = k դասի կշիռները
K = դասերի քանակը
Ծրագրում յուրաքանչյուր Object_k (object_1, object_2 ... object_m) օբյեկտ նկարագրվում է անկախ փոփոխականներով (X_ki – հատկանիշներ, i = 1...n) և մեկ կախյալ փոփոխականով (Y_k - նպատակ): Գործակիցների օպտիմալ արժեքները (beta_0, beta_1, beta_2, ..., beta_n) հաշվարկելու համար օգտագործվում է սովորական նվազագույն քառակուսիների (OLS) մեթոդը: Նպատակային արժեքը հաշվարկվում է հետևյալ կերպ՝
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
որտեղ՝ P_1, P_2...P_n-ը նպատակայինի կանխատեսողներն են։
Հավելվածը պահպանում է բազմաթիվ լոգիստիկ ռեգրեսիայի մոդելների տվյալները SQLite տիպի տվյալների բազայում (DB)՝ AppMultiNomialLogisticRegression.db անվամբ: Ռեգրեսիայի մոդելները տարբերվում են անունով։

Հավելվածի մեկնարկային էկրանը (App Multinomial Linear Logistic Regression Solver) ցուցադրում է ռեգրեսիայի մոդելների նմուշների ցանկ (պտտվող ցանկում) և կոճակներ՝ ռեգրեսիայի մոդելների նմուշներ ստեղծելու (New sample), բեռնելու (Load), պահպանելու (Save), պահպանելու (Save as), հաշվարկելու (Calculate) և ջնջելու (Delete) ֆունկցիաները միացնելու համար: Գլխավոր էկրանից, մենյուի տարրերի միջոցով, կարող եք նաև մուտք գործել այնպիսի գործառույթների, ինչպիսիք են լեզվի ընտրությունը, տվյալների բազայի պահպանումը և պատճենումը, տվյալների բազայի նախնականացումը նմուշային տվյալներով, և օժանդակ գործառույթներ, ինչպիսիք են հավելվածի օգնությունը, կարգավորումները և կայքի հղումը՝ հեղինակների կողմից բոլոր հավելվածների նկարագրությամբ։
(Նոր նմուշ) ստեղծելու ֆունկցիաները ներառում են երկխոսության պատուհան՝ մատրիցի չափը մուտքագրելու համար, որտեղ մուտքագրվում են նոր նմուշի տվյալները՝ տողերի քանակը (կանխատեսված տվյալների համար ներառող տողերի քանակը՝ P_1, P_2...P_n – վերջին տողը) և սյուների քանակը (կախյալ տվյալների համար ներառող սյուների քանակը՝ Y_1, Y_2,...Y_k – վերջին սյունը): Այնուհետև ստեղծվում է աղյուսակ՝ համապատասխան տվյալները մուտքագրելու համար: Լրացված աղյուսակը պետք է անվանակոչվի պահպանելուց առաջ: Load ֆունկցիան մաքրում է աղյուսակը:

Հին պահպանված աղյուսակը կարող է ցուցադրվել՝ ընտրելով այն պտտվող ցանկից: Ցուցադրվող աղյուսակը կարող է հաշվարկվել, և լուծումները հայտնվում են App results երկխոսության պատուհանում: Print ֆունկցիան կարող է կատարվել այս երկխոսության պատուհանից՝ AppMultipleLogisticRegressionSolver.txt ֆայլում: Print ներառող ակտիվության դեպքում ընտրվում է ֆայլը պահպանելու թղթապանակը: Պանակը ընտրելուց հետո հայտնվում է պահպանման կոճակը: Նույն գործողությունից կարող է ցուցադրվել ընտրված ֆայլի պարունակությունը, ինչպես նաև ջնջվել ընտրված ֆայլը: