MultiLinearLogistic Regr-ions

ivan gabrovski

Жарнамалар бар

Колдонмо тууралуу

Төмөндө Көп (көп өзгөрмөлүү) Экилик Логистикалык Регрессия боюнча практикалык колдонмо келтирилген — б.а., бир нече өзгөчөлүктөрдөн экилик натыйжаны (0/1) алдын ала айтуу.
Биномдук Логистикалык Регрессия (адатта жөн гана логистикалык регрессия деп аталат) — бул бир же бир нече көз карандысыз өзгөрмөлөр менен экилик (эки категориялуу) натыйжанын ортосундагы байланышты моделдөө үчүн колдонулган статистикалык ыкма.
Экилик: максат y∈{0,1}
Көп (көп өзгөрмөлүү): бирден ашык киргизүү өзгөчөлүгү x_1, x_2, ..., x_n​
Модель:
p(y=1∣x)=1/(1+e^{−z}), мында z=w_0+w_1*x_1+⋯+w_n*x_n

жана w_0, w_1...w_n — x_1, x_2, ..., x_n жана y менен алдын ала айтуулардын ортосундагы каталар менен эсептелген салмактар.
Логистикалык регрессия маанилерди түз алдын ала айтуунун ордуна, z предикторлорунун сызыктуу айкалышын колдонуп, логарифмдик мүмкүнчүлүктөрдү алдын ала айтат. Андан кийин логарифмдик мүмкүнчүлүктөр 0 жана 1 ортосундагы ыктымалдуулуктарды алуу үчүн логистикалык (сигмоиддик) функцияны колдонуу менен өзгөртүлөт.
Экилик логистикалык регрессия - бул эки натыйжанын биринин ыктымалдуулугун алдын ала айтуу үчүн сигмоиддик функцияны колдонгон ыктымалдуулук классификация модели, бул аны чечмеленүүчү экилик чечим кабыл алуу үчүн статистикада, маалымат таанууда жана машиналык окутууда кеңири колдонууга мүмкүндүк берет.
Модель параметрлери Максималдуу Ыктымалдуулукту Баалоо (MLE) аркылуу бааланат. Жыйынтыктарды классификациялоо үчүн босого мааниси (адатта 0,5) колдонулат (Эгерде P≥0,5 → 1-класс; Эгер P<0,5 → 0-класс).
Мультимомиалдык логистикалык регрессия - бул көз карандысыз өзгөрмөлөрдүн (божомолдоочулардын) жыйындысы менен экиден ашык мүмкүн болгон натыйжалары бар категориялык көз каранды өзгөрмөнүн ортосундагы байланышты моделдөө үчүн колдонулган статистикалык жана машиналык окутуу ыкмасы, мында категориялардын табигый тартиби жок.
Модель: k классы үчүн:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x мында j=1,2...K
Мында: - x = өзгөчөлүк вектору
w_k = k классы үчүн салмактар
K = класстардын саны
Колдонмодо ар бир Object_k(object_1, object_2 ... object_m) объектиси көз карандысыз өзгөрмөлөр (X_ki – өзгөчөлүктөр, i = 1...n) жана бир көз каранды өзгөрмө (Y_k -максат) менен сүрөттөлөт. Кадимки эң кичине квадраттар (OLS) сыяктуу ыкма коэффициенттердин оптималдуу маанилерин (beta_0, beta_1, beta_2, ..., beta_n) эсептөө үчүн колдонулат. Максаттуу маани төмөнкүдөй эсептелет:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
Мында: P_1, P_2...P_n - максаттын предикторлору.

Колдонмо AppMultiNomialLogisticRegression.db деп аталган SQLite маалымат базасынын (DB) түрүндөгү бир нече логистикалык регрессиялык моделдер үчүн маалыматтарды сактайт. Регрессиялык моделдер аталыштары боюнча айырмаланат.
Тиркеменин баштоо экранында (App Multinomial Linear Logistic Regression Solver) регрессиялык моделдердин үлгүлөрүнүн тизмеси (айланма тизмеде) жана регрессиялык моделдердин үлгүлөрүн түзүү (Жаңы үлгү), жүктөө (Жүктөө), сактоо (Сактоо), сактоо (Асылда сактоо), эсептөө (Эсептөө) жана жок кылуу (Өчүрүү) функцияларын иштетүү үчүн баскычтар көрсөтүлөт. Негизги экрандан меню элементтери аркылуу тилди тандоо, маалымат базасын сактоо жана көчүрүү, үлгү маалыматтары менен маалымат базасын инициализациялоо жана тиркеме үчүн жардам, жөндөөлөр жана авторлордун бардык тиркемелеринин сүрөттөмөсү менен веб-сайтка шилтеме сыяктуу көмөкчү функцияларга да кире аласыз.
(Жаңы үлгү) түзүү функцияларына жаңы үлгүнүн маалыматтарын киргизүүдө матрицанын өлчөмүн киргизүү диалогу кирет – саптардын саны (божомолдонгон маалыматтар үчүн саптын саны P_1, P_2...P_n – акыркы сап) жана мамычалардын саны (көз каранды маалыматтар үчүн Y_1, Y_2,...Y_k – акыркы мамыча), андан кийин тиешелүү маалыматтарды киргизүү үчүн таблица түзүлөт. Толтурулган таблица сакталганга чейин аталышы керек. Жүктөө функциясы таблицаны тазалайт.
Эски сакталган таблица айлануучу тизмеден тандалгандар боюнча көрсөтүлүшү мүмкүн. Көрсөтүлгөн таблица эсептелип, чечим Колдонмонун жыйынтыктары диалогунда пайда болот. Басып чыгаруу функциясын AppMultipleLogisticRegressionSolver.txt файлындагы ушул диалогдон аткарууга болот. Басып чыгаруу активдүүлүгүнүн ичиндеги маалыматты сактоо/файлды сактоо файл сактала турган папка тандалат. Папканы тандагандан кийин сактоо баскычы пайда болот. Ошол эле аракеттен тандалган файлдын мазмуну көрсөтүлүшү мүмкүн, ошондой эле тандалган файлды өчүрүү үчүн.