MultiLinearLogistic Regr-ions

ivan gabrovski

შეიცავს რეკლამას

ამ აპის შესახებ

ქვემოთ მოცემულია პრაქტიკული სახელმძღვანელო მრავალჯერადი (მრავალვარიანტული) ორობითი ლოგისტიკური რეგრესიის შესახებ — ანუ, მრავალი მახასიათებლიდან ორობითი შედეგის (0/1) პროგნოზირება.

ბინომიური ლოგისტიკური რეგრესია (რომელსაც ჩვეულებრივ უბრალოდ ლოგისტიკურ რეგრესიას უწოდებენ) არის სტატისტიკური მეთოდი, რომელიც გამოიყენება ერთ ან მეტ დამოუკიდებელ ცვლადსა და ორობით (ორკატეგორიულ) შედეგს შორის ურთიერთობის მოდელირებისთვის.

ორობითი: სამიზნე y∈{0,1}
მრავალვარიანტული: ერთზე მეტი შეყვანის მახასიათებელი x_1, x_2, ..., x_n
მოდელი:
p(y=1∣x)=1/(1+e^{−z}), სადაც z=w_0+w_1*x_1+⋯+w_n*x_n

და w_0, w_1...w_n არის წონები, რომლებიც გამოითვლება x_1, x_2, ..., x_n-ით და შეცდომები y-სა და პროგნოზებს შორის.
მნიშვნელობების პირდაპირ პროგნოზირების ნაცვლად, ლოგისტიკური რეგრესია პროგნოზირებს ლოგარითმულ შანსებს პროგნოზირების ფაქტორების z წრფივი კომბინაციის გამოყენებით. შემდეგ ლოგარითმული შანსები გარდაიქმნება ლოგისტიკური (სიგმოიდური) ფუნქციის გამოყენებით, რათა წარმოიქმნას ალბათობები 0-დან 1-მდე.

ორობითი ლოგისტიკური რეგრესია არის ალბათური კლასიფიკაციის მოდელი, რომელიც იყენებს სიგმოიდურ ფუნქციას ორი შედეგიდან ერთ-ერთის ალბათობის პროგნოზირებისთვის, რაც მას ფართოდ იყენებს სტატისტიკაში, მონაცემთა მეცნიერებასა და მანქანურ სწავლებაში ინტერპრეტაციული ორობითი გადაწყვეტილების მისაღებად.

მოდელის პარამეტრები შეფასებულია მაქსიმალური ალბათობის შეფასების (MLE) გამოყენებით. შედეგების კლასიფიკაციისთვის გამოიყენება ზღურბლის მნიშვნელობა (ჩვეულებრივ 0.5) (თუ P≥0.5 → კლასი 1; თუ P<0.5 → კლასი 0).

მულტინომიური ლოგისტიკური რეგრესია არის სტატისტიკური და მანქანური სწავლების მეთოდი, რომელიც გამოიყენება დამოუკიდებელი ცვლადების (პროგნოზირების) ერთობლიობასა და კატეგორიულ დამოკიდებულ ცვლადს შორის ურთიერთობის მოდელირებისთვის, რომელსაც აქვს ორზე მეტი შესაძლო შედეგი, სადაც კატეგორიებს არ აქვთ ბუნებრივი დალაგება.
მოდელი: k კლასისთვის:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x სადაც j=1,2...K
სადაც: - x = მახასიათებლების ვექტორი
w_k = წონები k კლასისთვის
K = კლასების რაოდენობა
აპლიკაციაში თითოეული ობიექტი Object_k(object_1, object_2 ... object_m) აღწერილია დამოუკიდებელი ცვლადებით (X_ki – მახასიათებლები, i = 1...n) და ერთი დამოკიდებული ცვლადით (Y_k - სამიზნე). კოეფიციენტების ოპტიმალური მნიშვნელობების (beta_0, beta_1, beta_2, ..., beta_n) გამოსათვლელად გამოიყენება მეთოდი, როგორიცაა ჩვეულებრივი უმცირესი კვადრატების (OLS). სამიზნე მნიშვნელობა გამოითვლება შემდეგნაირად:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
სადაც: P_1, P_2...P_n არის სამიზნის პროგნოზირების ფაქტორები.
აპლიკაცია ინახავს მონაცემებს მრავალი ლოგისტიკური რეგრესიის მოდელისთვის მონაცემთა ბაზაში (DB) SQLite ტიპის, სახელწოდებით AppMultiNomialLogisticRegression.db. რეგრესიის მოდელები გამოირჩევა სახელით.

აპლიკაციის გაშვების ეკრანზე (App Multinomial Linear Logistic Regression Solver) ნაჩვენებია რეგრესიის მოდელების ნიმუშების სია (მბრუნავი სიის სახით) და ღილაკები, რომლებიც ააქტიურებს რეგრესიის მოდელების ნიმუშების შექმნის (ახალი ნიმუში), ჩატვირთვის (ჩატვირთვის), შენახვის (შენახვა), შენახვის (შენახვა როგორც), გამოთვლის (გამოთვლა) და წაშლის (წაშლის) ფუნქციებს. მთავარი ეკრანიდან, მენიუს ელემენტების საშუალებით, ასევე შეგიძლიათ წვდომა გქონდეთ ისეთ ფუნქციებზე, როგორიცაა ენის შერჩევა, მონაცემთა ბაზის შენახვა და კოპირება, მონაცემთა ბაზის ინიციალიზაცია ნიმუშის მონაცემებით და დამხმარე ფუნქციები, როგორიცაა აპლიკაციის დახმარება, პარამეტრები და ვებსაიტის ბმული ყველა აპლიკაციის აღწერით ავტორების მიერ.
(ახალი ნიმუშის) შექმნის ფუნქციები მოიცავს დიალოგურ ფანჯარას მატრიცის ზომის შესაყვანად, სადაც შეჰყავთ ახალი ნიმუშის მონაცემები - სტრიქონების რაოდენობა (წინასწარ განსაზღვრული მონაცემებისთვის P_1, P_2...P_n - ბოლო სტრიქონი) და სვეტების რაოდენობა (დამოკიდებული მონაცემებისთვის Y_1, Y_2,...Y_k - ბოლო სვეტი) მატრიცის ზომის შესაყვანად. შემდეგ გენერირდება ცხრილი შესაბამისი მონაცემების შესაყვანად. შევსებულ ცხრილს შენახვამდე სახელი უნდა დაერქვას. ფუნქცია Load ასუფთავებს ცხრილს.
ძველი შენახული ცხრილი შეიძლება გამოჩნდეს მბრუნავი სიიდან შერჩევით. ნაჩვენები ცხრილი შეიძლება გამოითვალოს და ამონახსნი გამოჩნდება App results დიალოგურ ფანჯარაში. ფუნქცია Print შეიძლება შესრულდეს ამ დიალოგური სისტემიდან AppMultipleLogisticRegressionSolver.txt ფაილში. Print-ის აქტივობის Save Db/Save file-ის გამოყენებით შეირჩევა საქაღალდე, სადაც ფაილი უნდა შეინახოს. საქაღალდის არჩევის შემდეგ გამოჩნდება შენახვის ღილაკი. იმავე აქტივობიდან შეიძლება ნაჩვენები იყოს არჩეული ფაილის შინაარსი, ასევე არჩეული ფაილის წაშლა.