MultiLinearLogistic Regr-ions

ivan gabrovski

പരസ്യങ്ങൾ അടങ്ങിയിരിക്കുന്നു

ഈ ആപ്പിനെക്കുറിച്ച്

മൾട്ടിപ്പിൾ (മൾട്ടിവേരിയേറ്റ്) ബൈനറി ലോജിസ്റ്റിക് റിഗ്രഷനുള്ള ഒരു പ്രായോഗിക ഗൈഡ് താഴെ കൊടുക്കുന്നു — അതായത്, ഒന്നിലധികം സവിശേഷതകളിൽ നിന്ന് ഒരു ബൈനറി ഫലം (0/1) പ്രവചിക്കുക.

ബൈനോമിയൽ ലോജിസ്റ്റിക് റിഗ്രഷൻ (സാധാരണയായി ലോജിസ്റ്റിക് റിഗ്രഷൻ എന്ന് വിളിക്കുന്നു) എന്നത് ഒന്നോ അതിലധികമോ സ്വതന്ത്ര വേരിയബിളുകളും ഒരു ബൈനറി (രണ്ട്-വിഭാഗം) ഫലവും തമ്മിലുള്ള ബന്ധം മാതൃകയാക്കാൻ ഉപയോഗിക്കുന്ന ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതിയാണ്.
ബൈനറി: ലക്ഷ്യം y∈{0,1}
മൾട്ടിപ്പിൾ (മൾട്ടിവേരിയേറ്റ്): ഒന്നിൽ കൂടുതൽ ഇൻപുട്ട് സവിശേഷത x_1, x_2, ..., x_n​
മോഡൽ:
p(y=1∣x)=1/(1+e^{−z}), ഇവിടെ z=w_0+w_1*x_1+⋯+w_n*x_n

കൂടാതെ w_0, w_1...w_n എന്നത് x_1, x_2, ..., x_n എന്നിവ ഉപയോഗിച്ച് കണക്കാക്കുന്ന ഭാരങ്ങളും y, പ്രവചിക്കലുകൾ എന്നിവയ്ക്കിടയിലുള്ള പിശകുകളുമാണ്.
മൂല്യങ്ങൾ നേരിട്ട് പ്രവചിക്കുന്നതിനുപകരം, ലോജിസ്റ്റിക് റിഗ്രഷൻ, പ്രവചനകരുടെ രേഖീയ സംയോജനം ഉപയോഗിച്ച് ലോഗ്-ഓഡുകൾ പ്രവചിക്കുന്നു. ലോജിസ്റ്റിക് (സിഗ്മോയിഡ്) ഫംഗ്ഷൻ ഉപയോഗിച്ച് ലോഗ്-ഓഡുകൾ രൂപാന്തരപ്പെടുത്തി 0 നും 1 നും ഇടയിലുള്ള സാധ്യതകൾ സൃഷ്ടിക്കുന്നു.

ബൈനറി ലോജിസ്റ്റിക് റിഗ്രഷൻ എന്നത് രണ്ട് ഫലങ്ങളിൽ ഒന്നിന്റെ സാധ്യത പ്രവചിക്കാൻ സിഗ്മോയിഡ് ഫംഗ്ഷൻ ഉപയോഗിക്കുന്ന ഒരു പ്രോബബിലിസ്റ്റിക് വർഗ്ഗീകരണ മാതൃകയാണ്, ഇത് സ്ഥിതിവിവരക്കണക്കുകൾ, ഡാറ്റാ സയൻസ്, മെഷീൻ ലേണിംഗ് എന്നിവയിൽ വ്യാഖ്യാനിക്കാവുന്ന ബൈനറി തീരുമാനമെടുക്കലിനായി വ്യാപകമായി ഉപയോഗിക്കുന്നു.

പരമാവധി സാധ്യതാ കണക്കെടുപ്പ് (MLE) ഉപയോഗിച്ചാണ് മോഡൽ പാരാമീറ്ററുകൾ കണക്കാക്കുന്നത്. ഫലങ്ങളെ തരംതിരിക്കാൻ ഒരു പരിധി മൂല്യം (സാധാരണയായി 0.5) ഉപയോഗിക്കുന്നു (P≥0.5 → ക്ലാസ് 1 ആണെങ്കിൽ; P<0.5 → ക്ലാസ് 0 ആണെങ്കിൽ).

മൾട്ടിനോമിയൽ ലോജിസ്റ്റിക് റിഗ്രഷൻ എന്നത് ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ, മെഷീൻ ലേണിംഗ് രീതിയാണ്, ഇവിടെ വിഭാഗങ്ങൾക്ക് സ്വാഭാവിക ക്രമമില്ല, സ്വതന്ത്ര വേരിയബിളുകളുടെ ഒരു കൂട്ടവും (പ്രവചകകരുടെ) രണ്ടിൽ കൂടുതൽ സാധ്യമായ ഫലങ്ങളുള്ള ഒരു വർഗ്ഗീകൃത ആശ്രിത വേരിയബിളും തമ്മിലുള്ള ബന്ധം മാതൃകയാക്കാൻ ഉപയോഗിക്കുന്നു.
മോഡൽ: ക്ലാസ് k-യ്ക്ക്:
P(y=k∣x)=e^w_k⋅x / ∑e^w_j⋅x ഇവിടെ j=1,2...K
എവിടെ: - x = ഫീച്ചർ വെക്റ്റർ
w_k = ക്ലാസ് k-യ്ക്കുള്ള വെയ്‌റ്റുകൾ
K = ക്ലാസുകളുടെ എണ്ണം
ആപ്പിൽ ഓരോ ഒബ്‌ജക്റ്റും Object_k( object_1, object_2 ... object_m) സ്വതന്ത്ര വേരിയബിളുകൾ ( X_ki – സവിശേഷതകൾ, i = 1...n ) ഉം ഒരു ആശ്രിത വേരിയബിൾ ( Y_k - ലക്ഷ്യം ) ഉം ഉപയോഗിച്ച് വിവരിക്കുന്നു. ഗുണകങ്ങളുടെ (beta_0, beta_1, beta_2, ..., beta_n) ഒപ്റ്റിമൽ മൂല്യങ്ങൾ കണക്കാക്കാൻ സാധാരണ ഏറ്റവും കുറഞ്ഞ ചതുരങ്ങൾ (OLS) പോലുള്ള ഒരു രീതി ഉപയോഗിക്കുന്നു. ലക്ഷ്യ മൂല്യം കണക്കാക്കുന്നത്:
Y = beta_0 + beta_01* P_1 + beta_2 *P_2 + ... + beta_n* P_n
എവിടെ: P_1, P_2...P_n ലക്ഷ്യത്തിന്റെ പ്രവചകരാണ്.
AppMultiNomialLogisticRegression.db എന്ന് പേരിട്ടിരിക്കുന്ന ഡാറ്റാബേസ് (DB) തരം SQLite-ലെ മൾട്ടിപ്പിൾ ലോജിസ്റ്റിക് റിഗ്രഷൻ മോഡലുകൾക്കായുള്ള ആപ്ലിക്കേഷൻ സേവ് ഡാറ്റ. റിഗ്രഷൻ മോഡലുകളെ പേര് അനുസരിച്ച് വേർതിരിച്ചിരിക്കുന്നു.

ആപ്ലിക്കേഷന്റെ സ്റ്റാർട്ടപ്പ് സ്ക്രീൻ (ആപ്പ് മൾട്ടിനോമിയൽ ലീനിയർ ലോജിസ്റ്റിക് റിഗ്രഷൻ സോൾവർ) റിഗ്രഷൻ മോഡലുകളുടെ സാമ്പിളുകളുടെ ഒരു ലിസ്റ്റും (സ്പിന്നർ ലിസ്റ്റിൽ) ഫംഗ്ഷനുകൾ സൃഷ്ടിക്കുന്നതിനുള്ള ബട്ടണുകളും (പുതിയ സാമ്പിൾ), ലോഡ് (ലോഡ്), സേവ് (സേവ്), സേവ് ആയി (സേവ് ആയി), കണക്കുകൂട്ടൽ (കണക്കുകൂട്ടൽ), ഇല്ലാതാക്കൽ (ഇല്ലാതാക്കുക) എന്നിവ പ്രവർത്തനക്ഷമമാക്കുന്നതിനുള്ള ബട്ടണുകളും പ്രദർശിപ്പിക്കുന്നു. പ്രധാന സ്ക്രീനിൽ നിന്ന്, മെനു ഘടകങ്ങൾ വഴി, ഭാഷാ തിരഞ്ഞെടുപ്പ്, ഡാറ്റാബേസ് സംരക്ഷിക്കൽ, പകർത്തൽ, സാമ്പിൾ ഡാറ്റ ഉപയോഗിച്ച് ഡാറ്റാബേസ് ആരംഭിക്കൽ, ആപ്ലിക്കേഷനുള്ള സഹായം, ക്രമീകരണങ്ങൾ, രചയിതാക്കളുടെ എല്ലാ ആപ്ലിക്കേഷനുകളുടെയും വിവരണമുള്ള വെബ്‌സൈറ്റിലേക്കുള്ള ലിങ്ക് തുടങ്ങിയ സഹായ ഫംഗ്ഷനുകളും നിങ്ങൾക്ക് ആക്‌സസ് ചെയ്യാൻ കഴിയും.
(പുതിയ സാമ്പിൾ) സൃഷ്ടിക്കുന്നതിനുള്ള ഫംഗ്ഷനുകളിൽ മാട്രിക്സിന്റെ വലുപ്പം നൽകുന്നതിനുള്ള ഡയലോഗ് ഉൾപ്പെടുന്നു, അവിടെ പുതിയ സാമ്പിളിന്റെ ഡാറ്റ നൽകുന്നതിനുള്ള വരികളുടെ എണ്ണം (P_1, P_2...P_n– അവസാന വരിയിലെ പ്രവചന ഡാറ്റയ്ക്കുള്ള വരി ഉൾപ്പെടുന്നു) നിരകളുടെ എണ്ണം (Y_1, Y_2,...Y_k– അവസാന നിരയിലെ ആശ്രയ ഡാറ്റയ്ക്കുള്ള കോളം ഉൾപ്പെടുന്നു) എന്നിവ ഉൾപ്പെടുന്നു. തുടർന്ന് പ്രസക്തമായ ഡാറ്റ നൽകുന്നതിനുള്ള ജനറേറ്റ് പട്ടിക. സംരക്ഷിക്കുന്നതിന് മുമ്പ് പോപ്പുലേറ്റഡ് പട്ടികയ്ക്ക് പേര് നൽകണം. ലോഡ് ഫംഗ്ഷൻ പട്ടിക മായ്‌ക്കുക.
സ്പിന്നർ ലിസ്റ്റിൽ നിന്ന് തിരഞ്ഞെടുത്തത് പഴയ സേവ് ചെയ്ത പട്ടിക കാണിച്ചേക്കാം. കാണിക്കുന്ന പട്ടിക കണക്കാക്കാനും പരിഹാരം ആപ്പ് ഫലങ്ങളുടെ ഡയലോഗിൽ ദൃശ്യമാകാനും കഴിയും. AppMultipleLogisticRegressionSolver.txt ഫയലിലെ ഈ ഡയലോഗിൽ നിന്ന് പ്രിന്റ് ഫംഗ്ഷൻ എക്സിക്യൂട്ട് ചെയ്യാനും കഴിയും. പ്രിന്റ് ഇൻക്ലൂഡ് ആക്റ്റിവിറ്റി സേവ് Db/Save ഫയൽ ഉപയോഗിച്ച് ഫയൽ എവിടെ സംരക്ഷിക്കണമെന്ന് തിരഞ്ഞെടുത്ത ഫോൾഡർ തിരഞ്ഞെടുത്തിരിക്കുന്നു. ഫോൾഡർ തിരഞ്ഞെടുത്ത ശേഷം സേവ് ചെയ്യുന്നതിനുള്ള ബട്ടൺ ദൃശ്യമാകുന്നു. അതേ പ്രവർത്തനത്തിൽ നിന്ന് തിരഞ്ഞെടുത്ത ഫയലിന്റെ ഉള്ളടക്കം കാണിച്ചേക്കാം, കൂടാതെ തിരഞ്ഞെടുത്ത ഫയൽ ഇല്ലാതാക്കാനും കഴിയും.