MultiLinearLogistic Regr-ions

ivan gabrovski

Berisi iklan

Tentang aplikasi ini

Berikut adalah panduan praktis untuk Regresi Logistik Biner Berganda (multivariat) —yaitu, memprediksi hasil biner (0/1) dari beberapa fitur.

Regresi Logistik Binomial (biasanya hanya disebut regresi logistik) adalah metode statistik yang digunakan untuk memodelkan hubungan antara satu atau lebih variabel independen dan hasil biner (dua kategori).

Biner: target y∈{0,1}
Berganda (multivariat): lebih dari satu fitur masukan x_1, x_2, ..., x_n
Model:
p(y=1∣x)=1/(1+e^{−z}), di mana z=w_0+w_1*x_1+⋯+w_n*x_n

dan w_0, w_1...w_n adalah bobot yang dihitung oleh x_1, x_2, ..., x_n dan kesalahan antara y dan prediksi.

Alih-alih memprediksi nilai secara langsung, regresi logistik memprediksi log-odds menggunakan kombinasi linier dari prediktor z. Log-odds kemudian ditransformasikan menggunakan fungsi logistik (sigmoid) untuk menghasilkan probabilitas antara 0 dan 1.
Regresi Logistik Biner adalah model klasifikasi probabilistik yang menggunakan fungsi sigmoid untuk memprediksi kemungkinan salah satu dari dua hasil, sehingga banyak digunakan dalam statistik, ilmu data, dan pembelajaran mesin untuk pengambilan keputusan biner yang dapat diinterpretasikan.
Parameter model diestimasi menggunakan Estimasi Kemungkinan Maksimum (MLE). Nilai ambang batas (biasanya 0,5) digunakan untuk mengklasifikasikan hasil (Jika P≥0,5 → kelas 1; Jika P<0,5 → kelas 0).
Regresi logistik multinomial adalah metode statistik dan pembelajaran mesin yang digunakan untuk memodelkan hubungan antara sekumpulan variabel independen (prediktor) dan variabel dependen kategorikal dengan lebih dari dua kemungkinan hasil, di mana kategori tersebut tidak memiliki urutan alami.

Model: Untuk kelas k:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x di mana j=1,2...K
Di mana: - x = vektor fitur
w_k = bobot untuk kelas k
K = jumlah kelas
Dalam aplikasi, setiap objek Object_k (object_1, object_2 ... object_m) dijelaskan oleh variabel independen (X_ki – fitur, i = 1...n) dan satu variabel dependen (Y_k - target). Metode seperti ordinary least squares (OLS) digunakan untuk menghitung nilai optimal koefisien (beta_0, beta_1, beta_2, ..., beta_n). Nilai target dihitung dengan:

Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
di mana: P_1, P_2...P_n adalah prediktor target.

Aplikasi ini menyimpan data untuk beberapa model regresi logistik dalam basis data (DB) tipe SQLite bernama AppMultiNomialLogisticRegression.db. Model regresi dibedakan berdasarkan namanya.

Layar pembuka aplikasi (App Multinomial Linear Logistic Regression Solver) menampilkan daftar contoh model regresi (dalam daftar berputar) dan tombol untuk mengaktifkan fungsi membuat (Contoh baru), memuat (Muat), menyimpan (Simpan), menyimpan sebagai (Simpan sebagai), menghitung (Hitung), dan menghapus (Hapus) contoh model regresi. Dari layar utama, melalui elemen menu, Anda juga dapat mengakses fungsi seperti pemilihan bahasa, menyimpan dan menyalin basis data, menginisialisasi basis data dengan data sampel, dan fungsi tambahan seperti bantuan untuk aplikasi, pengaturan, dan tautan ke situs web dengan deskripsi semua aplikasi oleh penulis.

Fungsi untuk membuat (Sampel Baru) mencakup dialog untuk memasukkan ukuran matriks tempat memasukkan data sampel baru – jumlah baris (jumlah termasuk baris untuk data prediksi P_1, P_2...P_n – baris terakhir) dan jumlah kolom (jumlah termasuk kolom untuk data dependen Y_1, Y_2,...Y_k – kolom terakhir). Kemudian akan dibuat tabel untuk memasukkan data yang relevan. Tabel yang telah diisi harus diberi nama sebelum disimpan. Fungsi Muat (Load) akan menghapus tabel.
Tabel yang telah disimpan sebelumnya dapat ditampilkan dengan memilih dari daftar putar (spinner). Tabel yang ditampilkan dapat dihitung dan solusinya akan muncul di dialog Hasil Aplikasi (App results). Fungsi Cetak (Print) dapat dijalankan dari dialog ini ke dalam file AppMultipleLogisticRegressionSolver.txt. Fungsi Cetak mencakup aktivitas Simpan Basis Data/Simpan file di mana folder tempat menyimpan file dipilih. Setelah memilih folder, tombol simpan akan muncul. Dari aktivitas yang sama, isi file yang dipilih dapat ditampilkan, dan juga untuk menghapus file yang dipilih.