MultiLinearLogistic Regr-ions

ivan gabrovski

ಜಾಹೀರಾತುಗಳನ್ನು ಹೊಂದಿದೆ

ಈ ಆ್ಯಪ್ ಕುರಿತು

ಬಹು (ಬಹುರೂಪ) ಬೈನರಿ ಲಾಜಿಸ್ಟಿಕ್ ಹಿಂಜರಿತಕ್ಕೆ ಪ್ರಾಯೋಗಿಕ ಮಾರ್ಗದರ್ಶಿ ಕೆಳಗೆ ಇದೆ — ಅಂದರೆ, ಬಹು ವೈಶಿಷ್ಟ್ಯಗಳಿಂದ ಬೈನರಿ ಫಲಿತಾಂಶವನ್ನು (0/1) ಊಹಿಸುವುದು.

ಬೈನೋಮಿಯಲ್ ಲಾಜಿಸ್ಟಿಕ್ ಹಿಂಜರಿತ (ಸಾಮಾನ್ಯವಾಗಿ ಲಾಜಿಸ್ಟಿಕ್ ಹಿಂಜರಿತ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ) ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ಸ್ವತಂತ್ರ ಅಸ್ಥಿರಗಳು ಮತ್ತು ಬೈನರಿ (ಎರಡು-ವರ್ಗ) ಫಲಿತಾಂಶದ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಮಾದರಿ ಮಾಡಲು ಬಳಸುವ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ವಿಧಾನವಾಗಿದೆ.

ಬೈನರಿ: ಗುರಿ y∈{0,1}

ಬಹುರೂಪ (ಬಹುರೂಪ): ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಇನ್‌ಪುಟ್ ವೈಶಿಷ್ಟ್ಯ x_1, x_2, ..., x_n​
ಮಾದರಿ:

p(y=1∣x)=1/(1+e^{−z}), ಇಲ್ಲಿ z=w_0+w_1*x_1+⋯+w_n*x_n

ಮತ್ತು w_0, w_1...w_n ಎಂಬುದು x_1, x_2, ..., x_n ಮತ್ತು y ಮತ್ತು ಭವಿಷ್ಯವಾಣಿಗಳ ನಡುವಿನ ದೋಷಗಳಿಂದ ಲೆಕ್ಕಹಾಕಲ್ಪಟ್ಟ ತೂಕಗಳಾಗಿವೆ.
ಮೌಲ್ಯಗಳನ್ನು ನೇರವಾಗಿ ಊಹಿಸುವ ಬದಲು, ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಪ್ರಿಡಿಕ್ಟರ್‌ಗಳ ರೇಖೀಯ ಸಂಯೋಜನೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಲಾಗ್-ಆಡ್ಸ್‌ಗಳನ್ನು ಊಹಿಸುತ್ತದೆ. ನಂತರ ಲಾಗ್-ಆಡ್ಸ್‌ಗಳನ್ನು ಲಾಜಿಸ್ಟಿಕ್ (ಸಿಗ್ಮಾಯ್ಡ್) ಕಾರ್ಯವನ್ನು ಬಳಸಿಕೊಂಡು 0 ಮತ್ತು 1 ರ ನಡುವಿನ ಸಂಭವನೀಯತೆಯನ್ನು ಉತ್ಪಾದಿಸಲಾಗುತ್ತದೆ.

ಬೈನರಿ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಎನ್ನುವುದು ಸಂಭವನೀಯ ವರ್ಗೀಕರಣ ಮಾದರಿಯಾಗಿದ್ದು, ಇದು ಸಿಗ್ಮಾಯ್ಡ್ ಕಾರ್ಯವನ್ನು ಬಳಸಿಕೊಂಡು ಎರಡು ಫಲಿತಾಂಶಗಳಲ್ಲಿ ಒಂದರ ಸಾಧ್ಯತೆಯನ್ನು ಊಹಿಸುತ್ತದೆ, ಇದು ಅಂಕಿಅಂಶಗಳು, ಡೇಟಾ ವಿಜ್ಞಾನ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಅರ್ಥೈಸಬಹುದಾದ ಬೈನರಿ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಗಾಗಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲ್ಪಡುತ್ತದೆ.

ಮಾದರಿ ನಿಯತಾಂಕಗಳನ್ನು ಗರಿಷ್ಠ ಸಾಧ್ಯತೆ ಅಂದಾಜು (MLE) ಬಳಸಿ ಅಂದಾಜಿಸಲಾಗಿದೆ. ಫಲಿತಾಂಶಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಮಿತಿ ಮೌಲ್ಯವನ್ನು (ಸಾಮಾನ್ಯವಾಗಿ 0.5) ಬಳಸಲಾಗುತ್ತದೆ (P≥0.5 → ವರ್ಗ 1 ಆಗಿದ್ದರೆ; P<0.5 → ವರ್ಗ 0 ಆಗಿದ್ದರೆ).

ಬಹುಪದೀಯ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಎನ್ನುವುದು ಸ್ವತಂತ್ರ ಅಸ್ಥಿರಗಳ (ಪ್ರಿಡಿಕ್ಟರ್‌ಗಳು) ಸೆಟ್ ಮತ್ತು ಎರಡಕ್ಕಿಂತ ಹೆಚ್ಚು ಸಂಭವನೀಯ ಫಲಿತಾಂಶಗಳನ್ನು ಹೊಂದಿರುವ ವರ್ಗೀಕೃತ ಅವಲಂಬಿತ ವೇರಿಯೇಬಲ್ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಮಾದರಿ ಮಾಡಲು ಬಳಸುವ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಮತ್ತು ಯಂತ್ರ-ಕಲಿಕೆಯ ವಿಧಾನವಾಗಿದೆ, ಅಲ್ಲಿ ವರ್ಗಗಳು ಯಾವುದೇ ನೈಸರ್ಗಿಕ ಕ್ರಮವನ್ನು ಹೊಂದಿರುವುದಿಲ್ಲ.

ಮಾದರಿ: ವರ್ಗ k ಗಾಗಿ:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x ಇಲ್ಲಿ j=1,2...K
ಎಲ್ಲಿ: - x = ವೈಶಿಷ್ಟ್ಯ ವೆಕ್ಟರ್
w_k = ವರ್ಗ k ಗಾಗಿ ತೂಕಗಳು
K = ವರ್ಗಗಳ ಸಂಖ್ಯೆ
ಆ್ಯಪ್‌ನಲ್ಲಿ ಪ್ರತಿಯೊಂದು ವಸ್ತುವು Object_k( object_1, object_2 ... object_m) ಅನ್ನು ಸ್ವತಂತ್ರ ಅಸ್ಥಿರಗಳಿಂದ ( X_ki – ವೈಶಿಷ್ಟ್ಯಗಳು, i = 1...n ) ಮತ್ತು ಒಂದು ಅವಲಂಬಿತ ವೇರಿಯೇಬಲ್ ( Y_k - ಗುರಿ ) ವಿವರಿಸಲಾಗಿದೆ. ಗುಣಾಂಕಗಳ (beta_0, beta_1, beta_2, ..., beta_n) ಸೂಕ್ತ ಮೌಲ್ಯಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಸಾಮಾನ್ಯ ಕನಿಷ್ಠ ಚೌಕಗಳು (OLS) ನಂತಹ ವಿಧಾನವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಗುರಿ ಮೌಲ್ಯವನ್ನು ಇವರಿಂದ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
ಎಲ್ಲಿ: P_1, P_2...P_n ಗುರಿಯ ಮುನ್ಸೂಚಕಗಳಾಗಿವೆ.
AppMultiNomialLogisticRegression.db ಹೆಸರಿನ ಡೇಟಾಬೇಸ್ (DB) ಪ್ರಕಾರದ SQLite ನಲ್ಲಿ ಬಹು ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಮಾದರಿಗಳಿಗಾಗಿ ಅಪ್ಲಿಕೇಶನ್ ಡೇಟಾವನ್ನು ಉಳಿಸುತ್ತದೆ. ರಿಗ್ರೆಷನ್ ಮಾದರಿಗಳನ್ನು ಹೆಸರಿನಿಂದ ಪ್ರತ್ಯೇಕಿಸಲಾಗಿದೆ.

ಅಪ್ಲಿಕೇಶನ್‌ನ ಆರಂಭಿಕ ಪರದೆಯು (ಆಪ್ ಮಲ್ಟಿನೊಮಿಯಲ್ ಲೀನಿಯರ್ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಷನ್ ಸಾಲ್ವರ್) ರಿಗ್ರೆಷನ್ ಮಾದರಿಗಳ ಮಾದರಿಗಳ ಪಟ್ಟಿಯನ್ನು (ಸ್ಪಿನ್ನರ್ ಪಟ್ಟಿಯಲ್ಲಿ) ಮತ್ತು ರಿಗ್ರೆಷನ್ ಮಾದರಿಗಳ ಮಾದರಿಗಳನ್ನು ರಚಿಸಲು (ಹೊಸ ಮಾದರಿ), ಲೋಡ್ (ಲೋಡ್), ಉಳಿಸಿ (ಉಳಿಸು), ಹೀಗೆ ಉಳಿಸಿ (ಹೀಗೆ ಉಳಿಸಿ), ಲೆಕ್ಕಹಾಕಿ (ಲೆಕ್ಕಹಾಕಿ) ಮತ್ತು ಅಳಿಸಿ (ಅಳಿಸಿ) ಕಾರ್ಯಗಳನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಲು ಬಟನ್‌ಗಳನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ. ಮುಖ್ಯ ಪರದೆಯಿಂದ, ಮೆನು ಅಂಶಗಳ ಮೂಲಕ, ನೀವು ಭಾಷಾ ಆಯ್ಕೆ, ಡೇಟಾಬೇಸ್ ಅನ್ನು ಉಳಿಸುವುದು ಮತ್ತು ನಕಲಿಸುವುದು, ಮಾದರಿ ಡೇಟಾದೊಂದಿಗೆ ಡೇಟಾಬೇಸ್ ಅನ್ನು ಪ್ರಾರಂಭಿಸುವುದು ಮತ್ತು ಅಪ್ಲಿಕೇಶನ್‌ಗೆ ಸಹಾಯ, ಸೆಟ್ಟಿಂಗ್‌ಗಳು ಮತ್ತು ಲೇಖಕರಿಂದ ಎಲ್ಲಾ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ವಿವರಣೆಯೊಂದಿಗೆ ವೆಬ್‌ಸೈಟ್‌ಗೆ ಲಿಂಕ್‌ನಂತಹ ಸಹಾಯಕ ಕಾರ್ಯಗಳನ್ನು ಸಹ ಪ್ರವೇಶಿಸಬಹುದು.
(ಹೊಸ ಮಾದರಿ) ರಚಿಸುವ ಕಾರ್ಯಗಳು ಮ್ಯಾಟ್ರಿಕ್ಸ್‌ನ ಗಾತ್ರವನ್ನು ನಮೂದಿಸಲು ಸಂವಾದವನ್ನು ಒಳಗೊಂಡಿವೆ, ಅಲ್ಲಿ ಹೊಸ ಮಾದರಿಯ ಡೇಟಾವನ್ನು ನಮೂದಿಸುವುದು - ಸಾಲುಗಳ ಸಂಖ್ಯೆ (ಸಂಖ್ಯೆಯು ಊಹಿಸಲಾದ ಡೇಟಾ P_1, P_2...P_n– ಕೊನೆಯ ಸಾಲಿಗೆ ಸಾಲುಗಳನ್ನು ಒಳಗೊಂಡಿದೆ) ಮತ್ತು ಕಾಲಮ್‌ಗಳ ಸಂಖ್ಯೆ (ಸಂಖ್ಯೆಯು ಅವಲಂಬಿತ ಡೇಟಾ Y_1, Y_2,...Y_k– ಕೊನೆಯ ಕಾಲಮ್‌ಗೆ ಕಾಲಮ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ). ನಂತರ ಸಂಬಂಧಿತ ಡೇಟಾವನ್ನು ನಮೂದಿಸಲು ಜನರೇಟ್ ಟೇಬಲ್ ಅನ್ನು ತೋರಿಸಲಾಗುತ್ತದೆ. ಉಳಿಸುವ ಮೊದಲು ಜನಸಂಖ್ಯೆ ಹೊಂದಿರುವ ಟೇಬಲ್ ಅನ್ನು ಹೆಸರಿಸಬೇಕು. ಲೋಡ್ ಕಾರ್ಯವು ಟೇಬಲ್ ಅನ್ನು ತೆರವುಗೊಳಿಸಿ.
ಸ್ಪಿನ್ನರ್ ಪಟ್ಟಿಯಿಂದ ಆಯ್ಕೆ ಮಾಡಿದ ಮೂಲಕ ಹಳೆಯ ಉಳಿಸಿದ ಟೇಬಲ್ ಅನ್ನು ತೋರಿಸುತ್ತಿರಬಹುದು. ತೋರಿಸುವ ಟೇಬಲ್ ಅನ್ನು ಲೆಕ್ಕಹಾಕಬಹುದು ಮತ್ತು ಪರಿಹಾರವು ಅಪ್ಲಿಕೇಶನ್ ಫಲಿತಾಂಶಗಳಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ. AppMultipleLogisticRegressionSolver.txt ಫೈಲ್‌ನಲ್ಲಿರುವ ಈ ಸಂವಾದದಿಂದ ಪ್ರಿಂಟ್ ಕಾರ್ಯವನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದು. ಪ್ರಿಂಟ್ ಚಟುವಟಿಕೆಯನ್ನು ಸೇವ್ Db/ಸೇವ್ ಫೈಲ್ ಮೂಲಕ ಫೈಲ್ ಅನ್ನು ಎಲ್ಲಿ ಉಳಿಸಬೇಕು ಎಂಬುದನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ. ಫೋಲ್ಡರ್ ಅನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ ನಂತರ ಉಳಿಸಲು ಬಟನ್ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ. ಅದೇ ಚಟುವಟಿಕೆಯಿಂದ ಆಯ್ದ ಫೈಲ್‌ನ ವಿಷಯವನ್ನು ತೋರಿಸಬಹುದು ಮತ್ತು ಆಯ್ದ ಫೈಲ್ ಅನ್ನು ಅಳಿಸಬಹುದು.